K-L 变换
在机器学习学习中若存在维度过高的向量,则不利于分析向量的样本的方差与均值
原理分析
K-L变换的本质是寻找一个算子 U U U,通过 Y = U X Y=UX Y=UX,其中 Y Y Y为 X X X降维后的结果。
存在一个样本集 X = { x 1 , x 2 , x 3 , … , x n } X=\{x_1,x_2,x_3,\dots,x_n\} X={x1,x2,x3,…,xn},其中 x i x_i xi为 n n n维向量,为了使 { X } \{X\} {X}降低维度
设存在一个线性变换 U U U,使得$ y_i=U x_i ,其中 ,其中 ,其中y_i 为 为 为k$维向量,
为了使 Y Y Y各个特征最大的限度分开,我们应该从中 n n n个特征中选择 k k k个最大限度可分不重叠的特征。其中各个线性可分的特征应该是不相关的,即他们的相关系数为0。可推出它的协方差为0。
相关系数:
ρ x y = C o v ( X , Y ) σ x σ y \rho_{xy}=\frac{Cov(X,Y)}{\sigma_x\sigma_y} ρxy=σxσyCov(X,Y)
协方差矩阵:
E i j = 1 m ( x i − x ˉ ) ( y j − y ˉ ) E_{ij}=\frac{1}{m}(x_i-\bar x)(y_j-\bar y) Eij=m1(xi−xˉ)(yj−yˉ)E = [ E 11 E 12 … E 1 n E 21 E 22 … E 2 n ⋮ ⋮ ⋱ ⋮ E n 1 E n 2 … E n n ] E= \begin{bmatrix} E_{11}&E_{12}&\dots&E_{1n}\\ E_{21}&E_{22}&\dots&E_{2n}\\ \vdots&\vdots&\ddots&\vdots\\ E_{n1}&E_{n2}&\dots&E_{nn} \end{bmatrix} E= E11E21⋮En1E12E22⋮En2……⋱…E1nE2n⋮Enn
**目标:**将一组 n n n 维向量降为 k k k 维,其目标是选择 k k k个单位正交基,使得原始数据变换到这组基上后,各变量两两间协方差为 0,而变量方差则尽可能大。
因为 Y Y Y的特征要尽可能的无关,则 E i j = 0 , i ≠ j E_{ij}=0, \quad i\not=j Eij=0,i=j
由此
Y
Y
Y的相关系数矩阵为一个对角矩阵
E
=
E
(
y
y
T
)
=
E
(
U
X
X
T
U
)
E=E(yy^T)=E(UXX^TU)
E=E(yyT)=E(UXXTU)
其中
X
X
T
XX^T
XXT为实对称矩阵,它一定存在
n
n
n个特征向量,且相互可以正交。
令
W
=
E
(
X
X
T
)
W=E(XX^T)
W=E(XXT),则一定满足
W
η
=
λ
η
W\eta=\lambda\eta
Wη=λη,
η
\eta
η与
λ
\lambda
λ分别为特征向量与特征值,取前
k
k
k大的特征值对于的特征向量,并进行归一化,记为
U
U
U
U
W
U
T
=
[
λ
1
λ
2
⋱
λ
n
]
UWU^T= \begin{bmatrix} \lambda_1&&&&\\ &\lambda_2\\ &&\ddots\\ &&&\lambda_n \end{bmatrix}
UWUT=
λ1λ2⋱λn
即通过K-L变换,实际上是找到了一个新的坐标系,在这个坐标系中,数据的协方差矩阵是对角的,而且对角线上的元素是原始数据协方差矩阵的特征值,这些特征值对应的特征向量则构成了新坐标系的基向量。
步骤
- 计算 X X T XX^T XXT的协方差矩阵 E ( X X T ) E(XX^T) E(XXT),并记为 W W W
- 计算 W W W的特征值与特征向量
- 取前 k k k大的特征值对于的特征向量,并进行归一化,记为 U U U
- 利用 x i ′ = U x i x_i'=Ux_i xi′=Uxi进行降维度处理
示例
有样本集 w 1 = { ( 0 0 0 ) , ( 1 0 0 ) , ( 1 0 1 ) , ( 1 1 0 ) } w_1=\left\{\begin{pmatrix}0\\0\\0\end{pmatrix},\begin{pmatrix}1\\0\\0\end{pmatrix},\begin{pmatrix}1\\0\\1\end{pmatrix},\begin{pmatrix}1\\1\\0\end{pmatrix}\right\} w1=⎩ ⎨ ⎧ 000 , 100 , 101 , 110 ⎭ ⎬ ⎫, w 2 = { ( 0 0 1 ) , ( 0 1 0 ) , ( 0 1 1 ) , ( 1 1 1 ) } w_2=\left\{\begin{pmatrix}0\\0\\1\end{pmatrix},\begin{pmatrix}0\\1\\0\end{pmatrix},\begin{pmatrix}0\\1\\1\end{pmatrix},\begin{pmatrix}1\\1\\1\end{pmatrix}\right\} w2=⎩ ⎨ ⎧ 001 , 010 , 011 , 111 ⎭ ⎬ ⎫,请用K-L变换将特征降至2维和1维,并画出在该空间中的位置
1、计算样本均值
w 1 w_1 w1的均值 u 1 = ( 3 4 , 1 4 , 1 4 ) T u_1=(\frac{3}{4},\frac{1}{4},\frac{1}{4})^T u1=(43,41,41)T
w 2 w_2 w2的均值 u 2 = ( 1 4 , 3 4 , 3 4 ) T u_2=(\frac{1}{4},\frac{3}{4},\frac{3}{4})^T u2=(41,43,43)T
总体样本的均值 u = 1 2 ( u 1 + u 2 ) = ( 1 2 , 1 2 , 1 2 ) T u=\frac{1}{2}(u_1+u_2)=(\frac{1}{2},\frac{1}{2},\frac{1}{2})^T u=21(u1+u2)=(21,21,21)T
2、去中心化
w
1
−
u
=
{
(
−
1
2
−
1
2
−
1
2
)
,
(
1
2
−
1
2
−
1
2
)
,
(
1
2
−
1
2
1
2
)
,
(
1
2
1
2
−
1
2
)
}
w_1-u= \left\{\begin{pmatrix} -\frac{1}{2}\\-\frac{1}{2}\\-\frac{1}{2} \end{pmatrix}, \begin{pmatrix} \frac{1}{2}\\-\frac{1}{2}\\-\frac{1}{2}\end{pmatrix}, \begin{pmatrix} \frac{1}{2}\\-\frac{1}{2}\\\frac{1}{2}\end {pmatrix}, \begin{pmatrix} \frac{1}{2}\\\frac{1}{2}\\-\frac{1}{2} \end{pmatrix}\right\}
w1−u=⎩
⎨
⎧
−21−21−21
,
21−21−21
,
21−2121
,
2121−21
⎭
⎬
⎫
w 2 − u = { ( − 1 2 − 1 2 1 2 ) , ( − 1 2 1 2 − 1 2 ) , ( − 1 2 1 2 1 2 ) , ( 1 2 1 2 1 2 ) } w_2-u= \left\{\begin{pmatrix} -\frac{1}{2}\\-\frac{1}{2}\\\frac{1}{2} \end{pmatrix}, \begin{pmatrix} -\frac{1}{2}\\\frac{1}{2}\\-\frac{1}{2} \end{pmatrix}, \begin{pmatrix} -\frac{1}{2}\\\frac{1}{2}\\\frac{1}{2} \end{pmatrix}, \begin{pmatrix} \frac{1}{2}\\\frac{1}{2}\\\frac{1}{2} \end{pmatrix}\right\} w2−u=⎩ ⎨ ⎧ −21−2121 , −2121−21 , −212121 , 212121 ⎭ ⎬ ⎫
令
X
=
{
w
1
−
u
,
w
2
−
u
}
X=\{w_1-u,w_2-u\}
X={w1−u,w2−u}
E
(
X
X
T
)
=
1
8
∑
x
i
x
i
T
=
[
1
4
0
0
0
1
4
0
0
0
1
4
]
E(XX^T)=\frac{1}{8}\sum x_ix_i^T= \begin{bmatrix} \frac{1}{4}&0&0\\ 0&\frac{1}{4}&0\\ 0&0&\frac{1}{4} \end{bmatrix}
E(XXT)=81∑xixiT=
410004100041
计算特征值与特征向量
λ
1
=
λ
2
=
λ
3
=
1
4
,
[
η
1
,
η
2
,
η
3
]
=
[
1
0
0
0
1
0
0
0
1
]
\lambda_1=\lambda_2=\lambda_3=\frac{1}{4},\quad [\eta_1,\eta_2,\eta_3]= \begin{bmatrix} 1&0&0\\ 0&1&0\\ 0&0&1 \end{bmatrix}
λ1=λ2=λ3=41,[η1,η2,η3]=
100010001
选取
U
1
=
[
η
1
,
η
2
]
=
[
1
0
0
1
0
0
]
,
U
2
=
[
η
1
]
=
[
1
0
0
]
U_1=[\eta_1,\eta_2]=\begin{bmatrix} 1&0\\ 0&1\\ 0&0 \end{bmatrix},U2=[\eta_1]=\begin{bmatrix} 1\\0\\0 \end{bmatrix}
U1=[η1,η2]=
100010
,U2=[η1]=
100
x
1
′
=
U
1
T
x
1
=
[
1
0
0
0
1
0
]
⋅
[
−
1
2
−
1
2
−
1
2
]
=
[
−
1
2
−
1
2
]
x
1
′
′
=
U
2
T
x
1
=
[
1
0
0
]
⋅
[
−
1
2
−
1
2
−
1
2
]
=
−
1
2
x_1'=U_1^Tx_1= \begin{bmatrix} 1&0&0\\0&1&0 \end{bmatrix} \cdot \begin{bmatrix} -\frac{1}{2}\\-\frac{1}{2}\\-\frac{1}{2} \end{bmatrix}= \begin{bmatrix} -\frac{1}{2}\\-\frac{1}{2} \end{bmatrix}\\ x_1^{''}=U_2^Tx_1= \begin{bmatrix} 1&0&0 \end{bmatrix} \cdot \begin{bmatrix} -\frac{1}{2}\\-\frac{1}{2}\\-\frac{1}{2} \end{bmatrix}= -\frac{1}{2}
x1′=U1Tx1=[100100]⋅
−21−21−21
=[−21−21]x1′′=U2Tx1=[100]⋅
−21−21−21
=−21
其余同理可得。
import numpy as np
# 样本数据
w1 = np.array([[0, 0, 0], [1, 0, 0], [1, 0, 1], [1, 1, 0]])
w2 = np.array([[0, 0, 1], [0, 1, 0], [0, 1, 1], [1, 1, 1]])
u = (w1.mean(axis=0) + w2.mean(axis=0)) / 2
x1 = w1 - u
x2 = w2 - u
x = np.zeros((3, 3))
for i in x1:
i = i.reshape(3, -1)
x = x + i @ i.T
for i in x2:
i = i.reshape(3, -1)
x = x + i @ i.T
x = x / 8
lambda_value, vector = np.linalg.eigh(x)
U2d = vector[:2]
U1d = vector[0]
x2d_1 = (U2d @ x1.T).T
x2d_2 = (U2d @ x2.T).T
x1d_1 = (U1d @ x1.T).T
x1d_2 = (U1d @ x2.T).T