主成分分析（PCA）原理与推导
1. PCA的思想
PCA顾名思义，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。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))(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，u1u1和u2u2，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，u1u1比u2u2好。
为什么u1u1比u2u2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。
2. PCA的推导:基于小于投影距离
我们首先看第一种解释的推导，即样本点到这个超平面的距离足够近。
假设m个n维数据(x(1),x(2),...,x(m))(x(1),x(2),...,x(m))都已经进行了中心化，即∑i=1mx(i)=0∑i=1mx(i)=0。经过投影变换后得到的新坐标系为{w1,w2,...,wn}{w1,w2,...,wn},其中ww是标准正交基，即||w||2=1,wTiwj=0||w||2=1,wiTwj=0。
如果我们将数据从n维降到n'维，即丢弃新坐标系中的部分坐标，则新的坐标系为{w1,w2,...,wn′}{w1,w2,...,wn′},样本点x(i)x(i)在n'维坐标系中的投影为：z(i)=(z(i)1,z(i)2,...,z(i)n′)z(i)=(z1(i),z2(i),...,zn′(i)).其中，z(i)j=wTjx(i)zj(i)=wjTx(i)是x(i)x(i)在低维坐标系里第j维的坐标。
如果我们用z(i)z(i)来恢复原始数据x(i)x(i),则得到的恢复数据x¯¯¯(i)=∑j=1n′z(i)jwj=Wz(i)x¯(i)=∑j=1n′zj(i)wj=Wz(i),其中，W为标准正交基组成的矩阵。
现在我们考虑整个样本集，我们希望所有的样本到这个超平面的距离足够近，即最小化下式：
将这个式子进行整理，可以得到:
其中第（1）步用到了x¯¯¯(i)=Wz(i)x¯(i)=Wz(i),第二步用到了平方和展开，第（3）步用到了矩阵转置公式(AB)T=BTAT(AB)T=BTAT和WTW=IWTW=I,第（4）步用到了z(i)=WTx(i)z(i)=WTx(i)，第（5）步合并同类项，第（6）步用到了z(i)=WTx(i)z(i)=WTx(i)和矩阵的迹,第7步将代数和表达为矩阵形式。
注意到∑i=1mx(i)x(i)T∑i=1mx(i)x(i)T是数据集的协方差矩阵，W的每一个向量wjwj是标准正交基。而∑i=1mx(i)Tx(i)∑i=1mx(i)Tx(i)是一个常量。最小化上式等价于：
这个最小化不难，直接观察也可以发现最小值对应的W由协方差矩阵XXTXXT最大的n'个特征值对应的特征向量组成。当然用数学推导也很容易。利用拉格朗日函数可以得到
对W求导有−XXTW+λW=0−XXTW+λW=0, 整理下即为：
这样可以更清楚的看出，W为XXTXXT的n'个特征向量组成的矩阵，而λλ为XXTXXT的特征值。当我们将数据集从n维降到n'维时，需要找到最大的n'个特征值对应的特征向量。这n'个特征向量组成的矩阵W即为我们需要的矩阵。对于原始数据集，我们只需要用z(i)=WTx(i)z(i)=WTx(i),就可以把原始数据集降维到最小投影距离的n'维数据集。
如果你熟悉谱聚类的优化过程，就会发现和PCA的非常类似，只不过谱聚类是求前k个最小的特征值对应的特征向量，而PCA是求前k个最大的特征值对应的特征向量。
3. PCA的推导:基于最大投影方差
现在我们再来看看基于最大投影方差的推导。
假设m个n维数据(x(1),x(2),...,x(m))(x(1),x(2),...,x(m))都已经进行了中心化，即∑i=1mx(i)=0∑i=1mx(i)=0。经过投影变换后得到的新坐标系为{w1,w2,...,wn}{w1,w2,...,wn},其中ww是标准正交基，即||w||2=1,wTiwj=0||w||2=1,wiTwj=0。
如果我们将数据从n维降到n'维，即丢弃新坐标系中的部分坐标，则新的坐标系为{w1,w2,...,wn′}{w1,w2,...,wn′},样本点x(i)x(i)在n'维坐标系中的投影为：z(i)=(z(i)1,z(i)2,...,z(i)n′)z(i)=(z1(i),z2(i),...,zn′(i)).其中，z(i)j=wTjx(i)zj(i)=wjTx(i)是x(i)x(i)在低维坐标系里第j维的坐标。
对于任意一个样本x(i)x(i)，在新的坐标系中的投影为WTx(i)WTx(i),在新坐标系中的投影方差为WTx(i)x(i)TWWTx(i)x(i)TW，要使所有的样本的投影方差和最大，也就是最大化∑i=1mWTx(i)x(i)TW∑i=1mWTx(i)x(i)TW,即：
观察第二节的基于最小投影距离的优化目标，可以发现完全一样，只是一个是加负号的最小化，一个是最大化。
利用拉格朗日函数可以得到
对W求导有XXTW+λW=0XXTW+λW=0, 整理下即为：
和上面一样可以看出，W为XXTXXT的n'个特征向量组成的矩阵，而−λ−λ为XXTXXT的特征值。当我们将数据集从n维降到n'维时，需要找到最大的n'个特征值对应的特征向量。这n'个特征向量组成的矩阵W即为我们需要的矩阵。对于原始数据集，我们只需要用z(i)=WTx(i)z(i)=WTx(i),就可以把原始数据集降维到最小投影距离的n'维数据集。
4. PCA算法流程
从上面两节我们可以看出，求样本x(i)x(i)的n'维的主成分其实就是求样本集的协方差矩阵XXTXXT的前n'个特征值对应特征向量矩阵W，然后对于每个样本x(i)x(i),做如下变换z(i)=WTx(i)z(i)=WTx(i)，即达到降维的PCA目的。
下面我们看看具体的算法流程。
输入：n维样本集D=(x(1),x(2),...,x(m))D=(x(1),x(2),...,x(m))，要降维到的维数n'.
输出：降维后的样本集D′D′
1) 对所有的样本进行中心化： x(i)=x(i)−1m∑j=1mx(j)x(i)=x(i)−1m∑j=1mx(j)
2) 计算样本的协方差矩阵XXTXXT
3) 对矩阵XXTXXT进行特征值分解
4）取出最大的n'个特征值对应的特征向量(w1,w2,...,wn′)(w1,w2,...,wn′), 将所有的特征向量标准化后，组成特征向量矩阵W。
5）对样本集中的每一个样本x(i)x(i),转化为新的样本z(i)=WTx(i)z(i)=WTx(i)
6) 得到输出样本集D′=(z(1),z(2),...,z(m))D′=(z(1),z(2),...,z(m))
有时候，我们不指定降维后的n'的值，而是换种方式，指定一个降维到的主成分比重阈值t。这个阈值t在（0,1]之间。假如我们的n个特征值为λ1≥λ2≥...≥λnλ1≥λ2≥...≥λn,则n'可以通过下式得到:
5. PCA实例
下面举一个简单的例子，说明PCA的过程。
假设我们的数据集有10个二维数据(2.5,2.4), (0.5,0.7), (2.2,2.9), (1.9,2.2), (3.1,3.0), (2.3, 2.7), (2, 1.6), (1, 1.1), (1.5, 1.6), (1.1, 0.9)，需要用PCA降到1维特征。
首先我们对样本中心化，这里样本的均值为(1.81, 1.91),所有的样本减去这个均值后，即中心化后的数据集为(0.69, 0.49), (-1.31, -1.21), (0.39, 0.99), (0.09, 0.29), (1.29, 1.09), (0.49, 0.79), (0.19, -0.31), (-0.81, -0.81), (-0.31, -0.31), (-0.71, -1.01)。
现在我们开始求样本的协方差矩阵，由于我们是二维的，则协方差矩阵为：
对于我们的数据，求出协方差矩阵为：
求出特征值为（0.490833989， 1.28402771），对应的特征向量分别为：(0.735178656,0.677873399)T(−0.677873399,−0.735178656)T(0.735178656,0.677873399)T(−0.677873399,−0.735178656)T,由于最大的k=1个特征值为1.28402771，对于的k=1个特征向量为(−0.677873399,−0.735178656)T(−0.677873399,−0.735178656)T. 则我们的W=(−0.677873399,−0.735178656)T(−0.677873399,−0.735178656)T
我们对所有的数据集进行投影z(i)=WTx(i)z(i)=WTx(i)，得到PCA降维后的10个一维数据集为：(-0.827970186， 1.77758033， -0.992197494， -0.274210416， -1.67580142， -0.912949103， 0.0991094375， 1.14457216, 0.438046137， 1.22382056)
6. 核主成分分析KPCA介绍
在上面的PCA算法中，我们假设存在一个线性的超平面，可以让我们对数据进行投影。但是有些时候，数据不是线性的，不能直接进行PCA降维。这里就需要用到和支持向量机一样的核函数的思想，先把数据集从n维映射到线性可分的高维N>n,然后再从N维降维到一个低维度n', 这里的维度之间满足n'<n<N。
使用了核函数的主成分分析一般称之为核主成分分析(Kernelized PCA, 以下简称KPCA。假设高维空间的数据是由n维空间的数据通过映射ϕϕ产生。
则对于n维空间的特征分解：
映射为：
通过在高维空间进行协方差矩阵的特征值分解，然后用和PCA一样的方法进行降维。一般来说，映射ϕϕ不用显式的计算，而是在需要计算的时候通过核函数完成。由于KPCA需要核函数的运算，因此它的计算量要比PCA大很多。
7. PCA算法总结
这里对PCA算法做一个总结。作为一个非监督学习的降维方法，它只需要特征值分解，就可以对数据进行压缩，去噪。因此在实际场景应用很广泛。为了克服PCA的一些缺点，出现了很多PCA的变种，比如第六节的为解决非线性降维的KPCA，还有解决内存限制的增量PCA方法Incremental PCA，以及解决稀疏数据降维的PCA方法Sparse PCA等。
PCA算法的主要优点有：
1）仅仅需要以方差衡量信息量，不受数据集以外的因素影响。
2）各主成分之间正交，可消除原始数据成分间的相互影响的因素。
3）计算方法简单，主要运算是特征值分解，易于实现。
PCA算法的主要缺点有：
1）主成分各个特征维度的含义具有一定的模糊性，不如原始样本特征的解释性强。
https://www.cnblogs.com/pinard/p/6239403.html
主成分分析（PCA）原理与推导相关推荐
- 主成分分析(PCA)原理及推导
转载请声明出处http://blog.csdn.net/zhongkejingwang/article/details/42264479 什么是PCA? 在数据挖掘或者图像处理等领域经常会用到主成分分 ...
- 主成分分析(PCA)原理分析Python实现
目录 1 引言 2 PCA的意义 3 PCA的实现步骤 4 弄懂PCA要回答的问题 5 PCA原理 5.1 如何降维? 5.2 如何量化投影以后样本点之间的区分度? 5.3 求取k维坐标系 5.3.1 ...
- 主成分分析(PCA)原理及R语言实现及分析实例
主成分分析(PCA)是一种数据降维技巧,它能将大量相关变量转化为一组很少的不相关变量,这些无关变量称为主成分.最近我们被客户要求撰写关于主成分分析(PCA)的研究报告,包括一些图形和统计输出.例如,使 ...
- 基于特征向量的主成分分析(PCA)原理解释
引子 首先看一下如何对一维向量的进行分解,我们知道,一个 nnn 维向量 aaa 可以由 nnn 个正交向量线性 vi,i=1,2,...,nv_i,i=1,2,...,nvi,i=1,2,..., ...
- 清风数学建模学习笔记——主成分分析(PCA)原理详解及案例分析
主成分分析 本文将介绍主成分分析(PCA),主成分分析是一种降维算法,它能将多个指标转换为少数几个主成分,这些主成分是原始变量的线性组合,且彼此之间互不相关,其能反映出原始数据的大部分信息. 一般 ...
- PCA（主成分分析）-------原理，推导，步骤、实例、代码
最近一直在学习主成分分析(PCA),所以想把最近学的一点知识整理一下,如果有不对的还请大家帮忙指正,共同学习. 一.PCA简介 1.概念:主成分分析是一种统计方法,通过正交变换将一组可能存在相关性的变 ...
- pca主成分分析结果解释_主成分分析(PCA)原理精讲 | 统计学专题
引言:当数据维度较高时,我们很难通过普通的方法做图,更不能分析样本间的关系.故我们接下来学习降维度.可视化的主成分分析(Principal Component Analysis,PCA). 1.何时使 ...
- 主成分分析(PCA)原理详解_转载
一.PCA简介 1. 相关背景 在许多领域的研究与应用中,往往需要对反映事物的多个变量进行大量的观测,收集大量数据以便进行分析寻找规律.多变量大样本无疑会为研究和应用提供了丰富的信息,但也在一定程度上 ...
- 主成分分析计算机如何实现,主成分分析(PCA)原理及R语言实现及分析实例
评价美国法官评分中要保留的主成分个数.碎石图(直线与x符号).特征值大于1准则(水平线)和100次模拟的平行分析(虚线)都表明保留一个主成分即可 可以看出只有左上交Component Number为1 ...
- 主成分分析PCA(principal component analysis)原理
PCA在很多方面均有应用,但是之前没有仔细探究过,最近看了一些博客和论文,做一下总结. 主成分分析(Principal Component Analysis,PCA), 是一种统计方法.通过正交变换将 ...
最新文章
- python编程爱心-520用Python画一颗特别的爱心送给她
- PHP基础3--文件加载-错误处理
- JAVA——文件操作工具类封装的简单实现
- pat 乙级 1013 数素数（C++）
- vuex webpack 配置_vue+webpack切换环境和打包之后服务器配置
- access 如何使用dolby_用Access开发《生产管理系统》
- 菜鸟学EJB（二）——在同一个SessionBean中使用@Remote和@Local
- eslint php,eslint配置
- /proc/meminfo文件内容详解
- 责任分配矩阵和raci的区别_数字音频处理器和调音台的区别是什么
- 需求分析报告或需求调研报告和需求规格说明书有什么区别？
- 考试管理系统【软件工程实践课设报告】
- vue vue-element-ui组件 eltable 表头背景颜色
- 【软件测试】大厂测试开发你真的了解吗？测试开发养成记......
- [转载]无线网络优化
- 数组结构与算法-007-015稀疏数组与队列
- Windows离线安装Rust
- 世界的下一个主宰是谁？答案是人工智能！为什么这么说?
- 主导问题排查的流程总结
- 车载传感器技术详解【 持续更新ing 】— 自动驾驶技术概述