背景

主成分分析（Principal Components Analysis），簡稱PCA，是一種數(shù)據(jù)降維技術(shù)，用于數(shù)據(jù)預(yù)處理。一般我們獲取的原始數(shù)據(jù)維度都很高，比如1000個特征，在這1000個特征中可能包含了很多無用的信息或者噪聲，真正有用的特征才100個，那么我們可以運用PCA算法將1000個特征降到100個特征。這樣不僅可以去除無用的噪聲，還能減少很大的計算量。

在PCA中，數(shù)據(jù)從原來的坐標系轉(zhuǎn)化到新的坐標系中。當然這里新的坐標系也不是隨便設(shè)定的，而是應(yīng)該根據(jù)數(shù)據(jù)本身的特征來設(shè)計。通常第一個新坐標軸選擇的是原始數(shù)據(jù)方差最大的方向，第二個坐標軸是與第一個坐標軸正交且具有最大方差的方向。這句話的意思就是，第二個選取的方向應(yīng)該和第一個方向具有很弱的相關(guān)性。

設(shè)計思路

PCA主成分分析算法，是一種線性降維，將高維坐標系映射到低維坐標系中。

如何選擇低維坐標系呢？
就是求協(xié)方差的特征值和特征向量過協(xié)方差矩陣的特征值和特征向量，特征向量代表坐標系，特征值代表映射到新坐標的長度。

然后做數(shù)據(jù)轉(zhuǎn)換。

但是有沒有覺得很神奇，為什么求協(xié)方差的較大特征向量就是最理想的k維向量？

設(shè)計實現(xiàn)

原始數(shù)據(jù)處理：這里選取二維降一維進行展示，其中x，y是兩個維度

行代表了樣例，列代表特征(TF-IDF)分別求x和y的平均值，然后對于所有的樣例，都減去對應(yīng)的均值。這里x的均值是1.81，y的均值是1.91，那么第一個樣例減去均值后即為（0.69,0.49）

留一個思考1：為什么我們要減去均值，作用是什么？

求協(xié)方差矩陣
我們上面協(xié)方差矩陣是二維的，所以是二行二列

mat = np.array([[0.69, -1.31, 0.39, 0.09, 1.29, 0.49, 0.19, -0.81, -0.31, -0.71],[0.49, -1.21, 0.99, 0.29, 1.09, 0.79, -0.31, -0.81, -0.31, -1.01]])# 求協(xié)方差cov = np.cov(mat)print(cov)

求協(xié)方差的特征值和特征向量

這邊用到線性代數(shù)知識，不會的同學(xué)可以自行學(xué)習
下圖第一個是特征值，第二個是特征向量

# 特征值, 特征向量eigenvalue, featurevector = np.linalg.eig(cov)print(eigenvalue)print(featurevector)

特征值： [0.0490834 1.28402771]
特征向量：[[-0.73517866 -0.6778734 ]
[ 0.6778734 -0.73517866]]

特征值0.0490833989對應(yīng)特征向量為第一條向量，這里的特征向量都歸一化為單位向量。

選取最大k個特征值對應(yīng)的特征向量(其中k是小于維度總數(shù)的一個值)：
將特征值按照從大到小的順序排序，選擇其中最大的k個，然后將其對應(yīng)的k個特征向量分別作為列向量組成特征向量矩陣。這里特征值只有兩個，我們選擇其中最大的那個，這里是1.28402771，對應(yīng)的特征向量是(-0.677873399, -0.735178656)T。我們是從二維降到一維，所以k取一，并且是最大的。

留兩個思考題：

思考二: 為什么要選擇最大的k？依據(jù)是什么？
思考三: k在實際運用中選取多少合適？

得到新的矩陣
將樣本點投影到選取的特征向量上。假設(shè)樣例數(shù)為m，特征數(shù)為n，減去均值后的樣本矩陣為DataAdjust(mn)，
協(xié)方差矩陣是nn，
選取的k個特征向量組成的矩陣為EigenVectors(nk)。
那么投影后的數(shù)據(jù)FinalData為FinalData(101)
= DataAdjust(10*2矩陣) x 特征向量(-0.677873399, -0.735178656)T
得到的結(jié)果是下圖

降維完成，同時又達到保真性

我們回答思考一：為什么數(shù)據(jù)要減去均值

簡單來說把數(shù)據(jù)中心化，減少過度擬合的可能性。如果有喜歡探索為什么的同學(xué)可以參看附錄一

我們回答思考二：為什么選取k的特征值越大越好？

最大方差理論： 前輩結(jié)論：最好的k維特征是將n維樣本點轉(zhuǎn)換為k維后，每一維上的樣本方差都很大。
why？
因為投影后的樣本點之間方差最大（也可以說是投影的絕對值之和最大）
把二維降為一維如果方差不大那么就會在主方向軸投影點會重疊，損失信息很大，并且丟失的向量是很重要的。看下圖4，5吧！（圖4，5數(shù)據(jù)過原點已經(jīng)數(shù)據(jù)中心化）圖四的左半部分是最優(yōu)的
在u>x,u為主向量時。我們可以看到點在u上的投影和u和u的正交向量有關(guān)。顯然圖4左邊的投影面比右邊的大并且投影點之間的方差大。圖五是圖四的單個點細節(jié)圖。


我們總結(jié)一下：

特征值在線性代數(shù)里面我們求過無數(shù)次了，對一個n*n的對稱矩陣進行分解，我們可以求出它的特征值和特征向量，就會產(chǎn)生n個n維的正交基，每個正交基會對應(yīng)一個特征值。然后把矩陣投影到這N個基上，此時特征值的模就表示矩陣在該基的投影長度。
特征值越大，說明矩陣在對應(yīng)的特征向量上的方差越大，樣本點越離散，越容易區(qū)分，信息量也就越多。因此，特征值最大的對應(yīng)的特征向量方向上所包含的信息量就越多，如果某幾個特征值很小，那么就說明在該方向的信息量非常少，我們就可以刪除小特征值對應(yīng)方向的數(shù)據(jù)，只保留大特征值方向?qū)?yīng)的數(shù)據(jù)，這樣做以后數(shù)據(jù)量減小，但有用的信息量都保留下來了。PCA就是這個原理。

我們回答思考三：在n維中選多少個k最合適？
當然，k（特征向量）取得越多越好，k越多熵越大，樣本不確定性越大，越接近真實數(shù)據(jù)。如果k越大就達不到我們說的降維效果了。所以這是個經(jīng)驗之談
有些研究工作表明，所選的主軸總長度占所有主軸長度之和的大約85% 即可，其實，這只是一個大體的說法，具體選多少個，要看實際情況而定。如下圖公式。注：n為樣本數(shù)，k為我們選的維數(shù)。

總結(jié)

步驟回顧

去除平均值

計算協(xié)方差矩陣

計算協(xié)方差矩陣的特征值和特征向量

特征值從大到小排序

保留最上面k個特征向量

將數(shù)據(jù)轉(zhuǎn)換到k個向量構(gòu)件的新空間中

n維矩陣*k維特征向量=k維矩陣
降維完成！！！

附錄一：
為了說明什么是數(shù)據(jù)的主成分，先從數(shù)據(jù)降維說起。數(shù)據(jù)降維是怎么回事兒？假設(shè)三維空間中有一系列點，這些點分布在一個過原點的斜面上，如果你用自然坐標系x,y,z這三個軸來表示這組數(shù)據(jù)的話，需要使用三個維度，而事實上，這些點的分布僅僅是在一個二維的平面上，問題出在哪里？把x,y,z坐標系旋轉(zhuǎn)一下，使數(shù)據(jù)所在平面與x,y平面重合。如果把旋轉(zhuǎn)后的坐標系記為x’,y’,z’，那么這組數(shù)據(jù)的表示只用x’和y’兩個維度表示即可！當然了，如果想恢復(fù)原來的表示方式，那就得把這兩個坐標之間的變換矩陣存下來。這樣就能把數(shù)據(jù)維度降下來了！看下圖進行理解這段話

但是，我們要看到這個過程的本質(zhì)，如果把這些數(shù)據(jù)按行或者按列排成一個矩陣，那么這個矩陣的秩就是2！這些數(shù)據(jù)之間是有相關(guān)性(有非零解)的，這些數(shù)據(jù)構(gòu)成的過原點的向量的最大線性無關(guān)組包含2個向量，這就需要平面過原點的！這就是數(shù)據(jù)中心化的緣故！將坐標原點平移到數(shù)據(jù)中心，這樣原本不相關(guān)的數(shù)據(jù)在這個新坐標系中就有相關(guān)性了！增加基向量的正交性。有趣的是，三點一定共面，也就是說三維空間中任意三點中心化后都是線性相關(guān)的，一般來講n維空間中的n個點一定能在一個n-1維子空間中分析！n維歐氏空間中余維度等于一的線性子空間，也就是必須是(n-1)維度。這是平面中的直線、空間中的平面之推廣。

與50位技術(shù)專家面對面20年技術(shù)見證，附贈技術(shù)全景圖

總結(jié)

以上是生活随笔為你收集整理的PCA降维代码实现的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。