机器学习系列手记（四）：降维之PCA最大方差理论

降维

      在机器学习中，数据通常需要被表示成向量形式以输入模型进行训练，有时这些向量所处在高维空间，包含很多冗余和噪声，对这样的向量进行处理和分析会极大地消耗系统资源，甚至产生维度灾难。因此，进行降维，即用一个低维度的向量表示原始高维度的特征就显得极其重要。我们希望通过降维的方式来寻找数据内部的特性，从而提升特征表达能力，降低训练复杂度。常见的降维方法有主成分分析、线性判别分析、等距映射、局部线性嵌入、拉普拉斯特征映射、局部保留投影等。

一 PCA最大方差理论

      PCA（Principal Components Analysis），即主成分分析，是一种线性、非监督、全局的降维算法，旨在找到数据中的主成分，并利用这些主成分表征原始数据，从而达到降维的目的。

1、如何定义主成分

      举个简单的例子，在三维空间中有一系列数据点，这些点分布在一个过原点的平面上。如果用自然坐标系$x,y,z$三个轴来表示数据，就需要使用三个维度。而实际上，这些点只出现在一个二维平面上，如果通过坐标系旋转变换使得数据所在平面与$x,y$平面重合，那么就可以通过$x^{\prime },y^{\prime }$两个维度表达原始数据，且没有任何损失，这样就完成了降维,而$x^{\prime },y^{\prime }$两个轴所包含的信息就是我们要的主成分。

2、如何设计目标函数使得降维达到提取主成分的目的

      下图（a）所示为二维空间中经过中心化的一组数据，可以很容易看出主成分所在的轴（以下简称主轴）是图（b）中的黄线所处的轴。因为黄线所处的轴上数据分布更为分散，也就意味着数据在这个方向上方差更大。


      在信号处理领域，我们认为信号具有较大方差，噪声具有较小方差，信号与噪声之比称为信噪比。信噪比越大意味着数据质量越好，反之亦然。由此我们可以引出PCA的目标，即最大化投影方差，也就是数据在主轴上投影的方差最大。

3、PCA的求解方法

      （1）对样本数据进行中心化处理（即去均值）。
      （2）求样本协方差矩阵。
      （3）对协方差矩阵进行特征值分解，将特征值从大到小排列。
      （4）取特征值前$d$大对应的特征向量$w_1,w_2,...,w_d$，通过以下映射将$n$维样本映射到$d$维

      新的$x_i^{{}^{\prime }}$的第$d$维就是 x i x_i