从算法过程来粗略了解PCA及python实现
算法过程:
(参考机器学习231页)
每一步过程分析:
1.这里采用数据中心化
数据中心化:是指变量减去它的均值。
#数据标准化:是指数值减去均值,再除以标准差。
目的:通过中心化和标准化处理,得到均值为0,标准差为1的服从标准正态分布的数据。
标准化可以使得不同的特征具有相同的尺度(Scale)
2.计算协方差矩阵(由百度百科)
3.对协方差矩阵做特征值分解
线性代数里的知识,但是计算机代码如何实现没有深究
4.取前k(k定义的维度)大的特征值,返回对应的特征向量组成投影矩阵
5.数据矩阵与投影矩阵相乘得到降维后的结果
基于python实现的PCA代码:
def pca(X,k):
# 矩阵X每行是一个样本(已经中心化)
# 协方差矩阵
C=np.cov(X,rowvar=0)
# rowvar=0,说明传入的数据一行代表一个样本,
# 若非0,说明传入的数据一列代表一个样本
# 特征值,特征向量
eigvalue,eigvector=np.linalg.eig(np.mat(C)) # 特征值,特征向量
#取前k个列向量构成变换矩阵
indexVec=np.argsort(-eigvalue) # 对covEigenVal从大到小排序,返回索引
nLargestIndex=indexVec[:k] # 取出最大的特征值的索引
T=eigvector[:,nLargestIndex] # 取出最大的特征值对应的特征向量
newX=np.dot(X,T) #将 X矩阵降维得到newX
return newX,T # 返回降维后矩阵newX,变换矩阵T
可以探讨问题:
1.为什么数据要中心化?
使数据中心和坐标中心对齐;方便后续协方差矩阵计算;
还有没有其他的原因呢?
2.PCA为什么用协方差矩阵求解?
最近重构性;最大可分性的分析中如何理解?