对于PCA:Principal Components Analysis 主成分分析维基百科是这样定义的:
在多元统计分析中,主成分分析(英语:Principal components analysis,PCA)是一种分析、简化数据集的技术。主成分分析经常用于减少数据集的维数,同时保持数据集中的对方差贡献最大的特征。这是通过保留低阶主成分,忽略高阶主成分做到的。
怎么样?一脸懵逼。
“逃学博士”觉得吧,很多专业知识其实就是不断的创造让人望而生畏的名词,然后显得特别高大上。
本文我们一起来讲一讲 PCA分析吧!一步一步来!
01 数据降维
先从简单的来说,二维降一维。比方说我们取 房价为例子。
仔细观察,我们发现房价和房屋面积是呈正相关性的。房屋面积增大,房屋总价上涨。
是否我们一定要记录房价和房屋面积两列数据呢?既然它们本身就是有相关性的,有没有办法把两列数据,降维一列呢?
简单来说,做一条趋势线。每个点距离原点(0,0)的距离则可以很简单的通过勾股定理求得。如果我们将坐标系转变一下,以上图趋势线为新的 x轴(主元1),纵轴为垂直的新y轴(主元2)。
上述房价和房屋面积的数据就成功的从二维降到了一维,因为主元2上的值都是0。因此,PCA主元分析,主元1是最重要的,主元2不重要(可以省略)。这就是PCA分析的主要过程。
02 PCA分析
但是现实中的数据不可能会完美线性。一般是这样的:
总体上来说,x和y的数据呈正相关性。
同样的方式,我们将数据PCA分析,取得主元1和主元2 的新坐标系。我们可以看出,数据点在主元1轴上振动幅度更大,在主元2轴上变化不大。那么,主元1是重要的,主元2次要。
换句话说,如果我们要进行数据降维,保留主元1,省略主元2是可以最大限度的保留原有数据的完整性的。
怎么去找到最主要的主元呢?
两个原则:
- Variation of Values along the line is maximal (数据变化幅度最大);
- The error is minimal (误差最小)。
上图中,我们会很容易发现满足上述条件的线在什么位置(线性规划也是这个道理)。
03 总结
具体的计算公式和过程需要结合我之前的文章:
如何理解矩阵的特征向量和特征值?
将协方差矩阵转变成对角矩阵。有兴趣的同学可以深入了解。很多时候,知识点背后的原理并不难,难的是怎么去理解。有很多同学的方法是,题海战术。我认为不可取,仔细揣摩,弄通弄懂之后,题目的变化就难不倒我们了。
“逃学博士”:理工科直男一枚,在冰天雪地的加拿大攻读工程博士。闲暇之余分享点科学知识和学习干货。