主成分分析PCA 与 梯度上升法

什么是PCA

主成分分析，就是找出数据里最主要的方面，用数据里最主要的方面来代替原始数据。在数据压缩消除冗余和数据噪音消除领域都有广泛应用。
具体的，假如我们的数据集是n维的，共有m个数据(x(1),x(2),…,x(m))。我们希望将这m个数据的维度从n维降到n’维，希望这m个n’维的数据集尽可能的代表原始数据集。我们知道数据从n维降到n’维肯定会有损失，但是我们希望损失尽可能的小。那么如何让这n’维的数据尽可能表示原来的数据呢？
我们先看看最简单的情况，也就是n=2，n’=1,也就是将数据从二维降维到一维。数据如下图。我们希望找到某一个维度方向，它可以代表这两个维度的数据。图中列了两个向量方向，u1和u2，那么哪个向量可以更好的代表原始数据集呢？从直观上也可以看出，u1比u2好。

为什么u1比u2好呢？可以有两种解释，第一种解释是样本点到这个直线的距离足够近，第二种解释是样本点在这个直线上的投影能尽可能的分开。
假如我们把n’从1维推广到任意维，则我们的希望降维的标准为：样本点到这个超平面的距离足够近,或者说样本点在这个超平面上的投影能尽可能的分开。
基于上面的两种标准，我们可以得到PCA的两种等价推导。
更多推导过程可以参见：https://www.cnblogs.com/pinard/p/6239403.html
下面这篇文章讲得也非常详细：
https://blog.csdn.net/zhongkelee/article/details/44064401

使用梯度上升法求解PCA问题

目标函数及其梯度：

求数据的主成分PCA

import numpy as np

def demean(X):
    return X - np.mean(X, axis=0)

def f(w, X):
    '''目标函数，求该函数最大值'''
    return np.sum((X.dot(w) ** 2)) / len(X)
    
def df_math(w, X):
    '''求解梯度方法1'''
    return X.T.dot(X.dot(w)) * 2. / len(