资源描述
单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,*,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,*,PCA,李洋,201,6,年,4,月,11,日,主 成 分 分 析,如何汇报,假定你是一个公司的财务经理，掌握了公司的所有数据，比如固定资产、流动资金、每一笔借贷的数额和期限、各种税费、工资支出、原料消耗、产值、利润、折旧、职工人数、职工的分工和教育程度等等。,如果让你介绍公司状况，你能够把这些指标和数字都原封不动地摆出去吗？,当然不能。,你必须要把各个方面作出高度概括，用一两个指标简单明了地把情况说清楚。,2024/11/5,在许多实际问题中，多个变量之间是具有一定的相关关系的。因此，能否在各个变量之间相关关系研究的基础上，用较少的新变量代替原来较多的变量，而且使这些较少的新变量尽可能多地保留原来较多的变量所反映的信息？事实上，这种想法是可以实现的.,主成分分析原理:是把原来多个变量化为少数几个综合指标的一种统计分析方法，从数学角度来看，这是一种降维处理技术。,2024/11/5,PCA:Principal Component Analysis,即主成份分析,PCA是一种具有严格数学基础并且已被广泛采用的降维方法。下面我不会直接描述PCA，而是通过逐步分析问题，让我们一起重新推倒PCA算法,。,2024/11/5,内积运算将两个向量映射为一个实数。其计算方式非常容易理解，但是其意义并不明显。下面我们分析内积的几何意义。,推导1,内积与投影,:,两个维数相同的向量的内积被定义为,2024/11/5,假设A和B是两个n维向量，我们知道n维向量可以等价表示为n维空间中的一条从原点发射的有向线段，为了简单起见我们假设A和B均为二维向量，,在二维平面上A和B可以用两条发自原点的有向线段表示，见下图：,2024/11/5,现在我们从A点向B所在直线引一条垂线。我们知道垂线与B的交点叫做A在B上的投影，再设A与B的夹角是a，则投影的矢量长度为 其中,是向量A的模也就是A线段的标量长度,2024/11/5,到这里还是看不出内积和这东西有什么关系，不过如果我们将内积表示为另一种我们熟悉的形式：,A与B的内积等于A到B的投影长度乘以B的模。再进一步，如果我们假设B的模为1，即让那么就变成了,也就是说，设向量B的模为1，则A与B的内积值等于A向B所在直线投影的矢量长度！这就是内积的一种几何解释。,2024/11/5,基:,一个二维向量可以对应二维笛卡尔直角坐标系中从原点出发的一个有向线段。例如下面这个向量：,上面的向量可以表示为(3,2),推导,2,2024/11/5,向量(x,y)实际上表示线性组合,此处(1,0)和(0,1)叫做二维空间中的一组基,要准确描述向量，首先要确定一组基，然后给出在基所在的各个直线上的投影值，就可以了。,我们之所以默认选择(1,0)和(0,1)为基，当然是比较方便，因为它们分别是x和y轴正方向上的单位向量。,2024/11/5,(1,1)和(-1,1)也可以成为一组基。一般来说，我们希望基的模是1，因为从内积的意义可以看到，如果基的模是1，那么就可以方便的用向量点乘基而直接获得其在新基上的坐标了！,那么上面的基可以变为 和,2024/11/5,我们想获得(3,2)在新基上的坐标，即在两个方向上的投影矢量值，那么根据内积的几何意义，我们只要分别计算(3,2)和两个基的内积，不难得到新的坐标为 ，下图给出了新的基以及(3,2)在新基上坐标值的示意图：,2024/11/5,推导,3,基变换的矩阵表示,将(3,2)变换为新基上的坐标，就是用(3,2)与第一个基做内积运算，作为第一个新的坐标分量，然后用(3,2)与第二个基做内积运算，作为第二个新坐标的分量。实际上，我们可以用矩阵相乘的形式简洁的表示这个变换：,2024/11/5,其中矩阵的两行分别为两个基，乘以原向量，其结果刚好为新基的坐标。可以稍微推广一下，如果我们有m个二维向量，只要将二维向量按列排成一个两行m列矩阵，然后用“基矩阵”乘以这个矩阵，就得到了所有这些向量在新基下的值。例如(1,1)，(2,2)，(3,3)，想变换到刚才那组基上，则可以这样表示：,此时已经达到降维的目的。,2024/11/5,协方差矩阵,上面我们讨论了选择不同的基可以对同样一组数据给出不同的表示，而且如果基的数量少于向量本身的维数，则可以达到降维的效果。但是我们还没有回答一个最最关键的问题：如何选择基才是最优的。或者说，如果我们有一组N维向量，现在要将其降到K维（K小于N），那么我们应该如何选择K个基才能最大程度保留原有的信息？,推导,4,2024/11/5,为了避免过于抽象的讨论，我们仍以一个具体的例子展开。假设我们的数据由五条记录组成，将它们表示成矩阵形式：,其中每一列为一条数据记录，而一行为一个字段。为了后续处理方便，我们首先将每个字段内所有值都减去字段均值，其结果是将每个字段都变为均值为0（这样做的道理和好处后面会看到）。,2024/11/5,第一个字段均值为2，第二个字段均值为3，所以变换后：,我们可以看下五条数据在平面直角坐标系内的样子：,2024/11/5,通过上一节对基变换的讨论我们知道，这个问题实际上是要在二维平面中选择一个方向，将所有数据都投影到这个方向所在直线上，用投影值表示原始记录。这是一个实际的二维降到一维的问题。,那么如何选择这个方向（或者说基）才能尽量保留最多的原始信息呢？一种直观的看法是：希望投影后的投影值尽可能分散。,2024/11/5,以上图为例，可以看出如果向x轴投影，那么最左边的两个点会重叠在一起，中间的两个点也会重叠在一起，于是本身四个各不相同的二维点投影后只剩下两个不同的值了，这是一种严重的信息丢失，同理，如果向y轴投影最上面的两个点和分布在x轴上的两个点也会重叠。所以看来x和y轴都不是最好的投影选择。我们直观目测，如果向通过第一象限和第三象限的斜线投影，则五个点在投影后还是可以区分的。,2024/11/5,推导,5,方差,我们希望投影后投影值尽可能分散，而这种分散程度，可以用数学上的方差来表述。此处，一个字段的方差可以看做是每个元素与字段均值的差的平方和的均值，即：,2024/11/5,由于上面我们已经将每个字段的均值都化为0了，因此方差可以直接用每个元素的平方和除以元素个数表示：,于是上面的问题被形式化表述为：寻找一个一维基，使得所有数据变换为这个基上的坐标表示后，方差值最大。,2024/11/5,推导,6,协方差,对于上面二维降成一维的问题来说，找到那个使得方差最大的方向就可以了。不过对于更高维，还有一个问题需要解决。考虑三维降到二维问题。与之前相同，首先我们希望找到一个方向使得投影后方差最大，这样就完成了第一个方向的选择，继而我们选择第二个投影方向。,2024/11/5,如果我们还是单纯只选择方差最大的方向，很明显，这个方向与第一个方向应该是“几乎重合在一起”，显然这样的维度是没有用的，因此，应该有其他约束条件。从直观上说，让两个字段尽可能表示更多的原始信息，我们是不希望它们之间存在（线性）相关性的，因为相关性意味着两个字段不是完全独立，必然存在重复表示的信息。,2024/11/5,数学上可以用两个字段的协方差表示其相关性，由于已经让每个字段均值为0，则：,可以看到，在字段均值为0的情况下，两个字段的协方差简洁的表示为其内积除以元素数m。,2024/11/5,至此，我们得到了降维问题的优化目标：将一组N维向量降为K维（K大于0，小于N），其目标是选择K个单位（模为1）正交基，使得原始数据变换到这组基上后，各字段两两间协方差为0，而字段的方差则尽可能大（在正交的约束下，取最大的K个方差）。,2024/11/5,推导,7,协方差矩阵,最终要达到的目的与字段内方差及字段间协方差有密切关系。因此我们希望能将两者统一表示，仔细观察发现，两者均可以表示为内积的形式，而内积又与矩阵相乘密切相关。,假设我们只有a和b两个字段，那么我们将它们按行组成矩阵X：,2024/11/5,然后我们用X乘以X的转置，并乘上系数1/m：,这个矩阵对角线上的两个元素分别是两个字段的方差，而其它元素是a和b的协方差。两者被统一到了一个矩阵。,2024/11/5,推导,8,协方差矩阵对角化,设原始数据矩阵X对应的协方差矩阵为C，而P是一组基按行组成的矩阵，设Y=PX，则Y为X对P做基变换后的数据。设Y的协方差矩阵为D，我们推导一下D与C的关系：,2024/11/5,我们要找的P不是别的，而是能让原始协方差矩阵对角化的P。,协方差矩阵C是一个是对称矩阵，在线性代数上，实对称矩阵有一系列非常好的性质：,1）实对称矩阵不同特征值对应的特征向量必然正交。,2）设特征向量 重数为r，则必然存在r个线性无关的特征向量对应于，因此可以将这r个特征向量单位正交化。,2024/11/5,由上面两条可知，一个n行n列的实对称矩阵一定可以找到n个单位正交特征向量，设这n个特征向量为 ,我们将其按列组成矩阵：,则对协方差矩阵C有如下结论：,2024/11/5,其中 为对角矩阵，其对角元素为各特征向量对应的特征值。,矩阵P：,2024/11/5,PCA的算法步骤：,设有m条n维数据。,1）将原始数据按列组成n行m列矩阵X,2）将X的每一行（代表一个属性字段）进行零均值化，即减去这一行的均值,3）求出协方差矩阵,4）求出协方差矩阵的特征值及对应的特征向量,2024/11/5,5）将特征向量按对应特征值大小从上到下按行排列成矩阵，取前k行组成矩阵P,6）即为降维到k维后的数据,2024/11/5,实例,这里以上文提到的,为例，我们用PCA方法将这组二维数据其降到一维。,2024/11/5,因为这个矩阵的每行已经是零均值，这里我们直接求协方差矩阵：,然后求其特征值和特征向量，具体求解方法不再详述，可以参考相关资料。求解后特征值为：,2024/11/5,其对应的特征向量分别是：,其中对应的特征向量一个通解。那么标准化后的特征向量为：,2024/11/5,因此我们的矩阵P是：,可以验证协方差矩阵C的对角化：,最后我们用P的第一行乘以数据矩阵，就得到了降维后的表示：,2024/11/5,降维投影结果如下图：,2024/11/5,感谢大家！,2024/11/5,
展开阅读全文