主成分分析法Principal component analysis (PCA)介绍

1.简介

Principal component analysis (PCA) is a statistical procedure that uses an orthogonal transformation to convert a set of observations of possibly correlated variables into a set of values of linearly uncorrelated variables called principal components.
从本质上来讲，主成分分析法是一种空间映射的方法，将在常规正交坐标系（我们看到的）的变量通过矩阵变换操作映射到另一个正交坐标系中的主元。做这个映射的目的是为了减少变量间的线性相关性。

2.作用

本来变量之间有线性相关性，现在都变成了相互独立。如果变量是作为分类的特征的话，那么主成分分析法起到了一种特征重建的作用；从最后的表示来看，主元是由原来的变量线性组合而成，原来的变量之间是线性相关的，而主元之间是相互独立的，直观上的可以通过主成分分析法进行聚类；当然，从主成分求解的过程来看，PCA还可以用来降维。

3.算法原理

1、协方差原理
样本X和样本Y的协方差(Covariance)：

协方差为正时说明X和Y是正相关关系，协方差为负时X和Y是负相关关系，协方差为0时X和Y相互独立。Cov(X,X)就是X的方差(Variance)。当样本是n维数据时，它们的协方差实际上是协方差矩阵（对称方阵），方阵的边长是Cn2。比如对于3维数据(x,y,z)，计算它的协方差就是：

2、SVD分解原理

若AX=λX，则称λ是A的特征值，X是对应的特征向量。实际上可以这样理解：矩阵A作用在它的特征向量X上，仅仅使得X的长度发生了变化，缩放比例就是相应的特征值λ。当A是n阶可逆矩阵时，A与P-1Ap相似，相似矩阵具有相同的特征值。

特别地，当A是对称矩阵时，A的奇异值等于A的特征值，存在正交矩阵Q（Q-1=QT），使得：

对A进行奇异值分解就能求出所有特征值和Q矩阵。A∗Q=Q∗D,D是由特征值组成的对角矩阵由特征值和特征向量的定义知，Q的列向量就是A的特征向量。
3、PCA原理及实现

PCA主要通过把数据从高维映射到低维来降低特征维度。
PCA主成分分析法的过程是一个构造转换矩阵的过程。
PCA的算法步骤如下：
a.输入数据集x={x(1)，x(2)，x(3)，…..，x(m)}、需要降到K维；
b.对变量矩阵x所有样本进行均值归零处理

c.求协方差矩阵

d.根据奇异值分解SVD（singular value decomposition） $[U,S,V] = svd(\Sigma)$ ，求出协方差矩阵的特征值和特征向量，特征向量组成的矩阵就是变换矩阵

e.将特征向量按照特征值大小进行排序，选取最大的前K个特征值对应的特征向量u(1)，u(2)，u(3)，…..，u(k)

f.输出降维的投影特征矩阵Ureduce={u(1)，u(2)，u(3)，…..，u(k)}
g.输出降维后的数据集z=UreduceTx

4、选择降维后的维度K（主成分的个数）

由于Ureduce是正交矩阵（下面Ureduce简记为U），即U’ = U-1, 所以
xapprox = (U’)-1×z = (U-1)-1×z = Uz (PS：这里的逆操作为伪逆操作)
注意：这里恢复出的xapprox并不是原先的x，而是向量x的近似值。（恢复后相当于将2D到1D时，将投影作为原先的点）
如何选择主成分个数K呢？先来定义两个概念：

选择不同的K值，然后用下面的式子不断计算，选取能够满足下列式子条件的最小K值即可。

其中t值可以由自己定，比如t值取0.01，则代表了该PCA算法保留了99%的主要信息。当误差需要更小，可以把t值设的更小。上式还可以用SVD分解时产生的S矩阵来表示，如下面的式子：

定义一个threshold,如果error ratio< threshold，说明这样选取主成分是可以接受的

注意1：虽然PCA有降维的效果，也许对避免过拟合有作用，但是最好不要用PCA去作用于过拟合。

注意2：在训练集中找出PCA的主成分，（可以看做为映射 mapping），然后应用到测试集和交叉验证集中。而不是对所有数据集使用PCA然后再划分训练集，测试集和交叉验证集。

附：

参考文档：
https://blog.csdn.net/u011470552/article/details/54862484