目录
1. 主成分分析PCA(Principal Component Analysis)
2. 奇异值分解SVD(Singular Value Decomposition)
学习完机器学习实战的降维,简单的做个笔记。文中部分描述属于个人消化后的理解,仅供参考。
本篇综合了先前的文章,如有不理解,可参考:
所有代码和数据可以访问 我的 github
如果这篇文章对你有一点小小的帮助,请给个关注喔~我会非常开心的~
0. 前言
数据的特征数量,又称作向量的维度。降维(dimensionality reduction)是通过一些方法,减少数据的特征数量,以降低维度。
- 数据压缩,减小占用的存储空间
- 加快算法的计算速度
- 低维平面可以可视化数据
主要有几种降维的方法:
- 主成分分析(PCA):将数据映射到低维度的新坐标轴上,以降低维度
- 因子分析(FA):假设数据由隐变量和噪声组成,通过找到隐变量,就可以降维
- 独立成分分析(ICA):假设数据是由多个数据源混合组成,通过找到数据源,就可以实现降维
本篇主要介绍PCA和利用SVD将数据映射到低维度上。
PCA:
- 优点:降低数据的复杂性,识别最重要的多个特征
- 缺点:不一定需要,且可能损失有用信息
- 适用数据类型:数值型数据
SVD:
- 优点:简化数据,去除噪声,提高算法的结果
- 缺点:数据的转换可能难以理解
- 适用数据类型:数值型数据
数据是指接受的原始材料,其中可能包含噪声和不相关信息,而信息是指数据中的相关部分。
降维技术通常能使得数据变得更容易使用,去除数据中的噪声,获取数据集中的信息量。
1. 主成分分析PCA(Principal Component Analysis)
PCA 基于最大方差理论,寻找低维度的坐标系,使得各个数据点到平面的投影距离最小,如下图所示(图源:机器学习实战):
若数据投影到坐标轴A上,则各个数据点的投影距离之和大,若数据投影到坐标轴B上,则各个数据点的投影距离之和小,所以应选择坐标轴B。最大方差理论表明,数据投影在坐标轴B上时,数据的方差最大,所以这条坐标轴最能表示原始数据。
若低维坐标系的维度为 ,则选定每一条坐标轴都需要与先前的所有坐标轴正交,且在剩下的空间中具有最大方差。
PCA 的算法流程:
- 将数据进行均值归一化
- 计算数据的协方差矩阵(协方差矩阵维度为 )
- 计算协方差矩阵的特征值和特征向量(特征值个数为 ,特征向量维度为 )
- 将特征值从大到小排序,取前 个特征值的特征向量
- 通过特征向量,将数据映射到新的空间中,维度为 (原始数据维度为 ,特征向量维度为 )
将低维数据映射到高维空间的估计点上,可将降维后的数据乘以特征向量的转置即可。
2. 奇异值分解SVD(Singular Value Decomposition)
SVD 同样可以去除数据中的噪声,用较小的数据集表示原始数据集,实现降维。
SVD 又可以称作隐性语义索引(Latent Semantic Indexing,LSI)或者隐性语义分析(Latent Semantic Analysis,LSA)。
通过