PCA主成分分析学习笔记 + Matlab实现

综述

PCA (Principal Component Analysis) 主成分分析是目前最常用的数据降维方法之一，主要思路是将n维的数据投影到k(n>k)维空间超平面（直线的高维推广）上面去，使得各个样本点到超平面的投影距离最小（欧式距离）且方差最大。

简单的理解就是你给一个人拍照，要选择什么方向拍才能体现这个人的最多特征，大概就是给这个人拍一个正面的全身照，才能保留这个人的最多图像信息。如果拍侧面照或者从头顶照得到的信息就会非常有限。

再举一个二维数据降维到一维的例子：图中各个颜色的X代表样本坐标点，可以看出相关性比较大（X1轴X2轴单位是inch与cm），所以我们可以找一条直线，将各个样本点投影到直线上，作为我们的一维数据。这里跟线性回归的差别是PCA要最小化点到直线的投影（L2 norm），而线性回归要最小化曼哈顿距离（L1 norm）

具体降维过程

1. 将数据均值归一化。计算出所有特征的均值μ并计算出Xi=Xi−μ。如果特征是
   在不同的数量级上，我们还需要将其除以标准差 σ2
   

2. 计算协方差矩阵（covariance matrix）Σ sigma 根据协方差公式：
   

   Σ(A1,A2)=(xi−x¯)(yi−y¯)(n−1)
   
   
   Σ={0.6165555560.6154444440.6154444440.716555556}
   
   或者在Matlab中使用
   

3. 计算协方差矩阵 Σ 的特征向量（eigenvectors）v→ 与特征值（eigenvalues）λ
   根据Mv→ = λv→ 计算行列式|M-λI|=0可以得出
   

   v→={−.735178656.677873399−.677873399−.735178656}
   
   
   λ={.04908339891.28402771}
   
   在 Matlab中可以使用函数
   • [V,D]=eig(A)：求矩阵A的全部特征值，构成对角阵D，并求A的特征向量构成V的列向量。
   • [U,S,V] = svd(A):产生一个与X维度相同的对角矩阵S，并且降序排列非负对角元素。并且酉矩阵U和V使得X = U*S*V
     其中svd是singular value decomposition奇异值分解，这里就不再赘述，详情可以看这里

4. 保留特征值最大的k（n维数据降到k维）个值，并使用删减过的特征矩阵 * 均一化矩阵 = FearureVector * DataAdjust 得到一个 n×k 维度的矩阵
   
   如果使用SVD函数，返回的的 U 是一个具有与数据之间最小投射误差的方向向量构成的矩阵。如果我们希望将数据从 n 维降至 k 维，我们只需要从 U 中选取前 k 个向量，我们用 Ureduce 表示，然后通过如下计算获得要求的新特征向量z(i)
   

   z(i)=UTreducex(i)

5. 最后可以使用∑ki=1λi∑ni=1λi 来计算最终保留的方差比例。

代码实现

function [U, S] = pca(X)%PCA Run principal component analysis on the dataset X%   [U, S, X] = pca(X) computes eigenvectors of the covariance matrix of X%   Returns the eigenvectors U, the eigenvalues (on diagonal) in S%[m, n] = size(X);U = zeros(n);S = zeros(n);sigma = X' * X / m;[U, S, X] = svd(sigma);endfunction Z = projectData(X, U, K)%on to the top k eigenvectors%   Z = projectData(X, U, K) computes the projection of %   the normalized inputs X into the reduced dimensional space spanned by%   the first K columns of U. It returns the projected examples in Z.%Z = zeros(size(X, 1), K);for i = 1:size(X,1)  for k = 1:K    x= X(i, :)';    Z(i,k) = x' * U(:, k);  endendend%  Run PCA[U, S] = pca(X_norm);K = 100;Z = projectData(X_norm, U, K);

数学证明

可以参考周志华的机器学习P229或者这里

总结

数据降维的意义与作用举例：
- 数据压缩：可以提升机器学习算法效率与节省储存空间
- 数据可视化：将数据降维到1-3维，更好地呈现数据

与LDA对比

线性判别分析(Linear Discriminant Analysis, LDA) 学习笔记
http://blog.csdn.net/asd136912/article/details/78757482