彻底掌握 PCA 降维

PCA 这类的降维算法, 我算是接触好几年了有, 从我学营销的时候, 市场研究方面就经常会用到,相关的还有 "因子分析" 比如, 商品形象认知, 客户细分等场景.

其实多年前我就能够推导了. 当时还从看多元统计的时候, 参数化, 最优化, 引入拉格朗日乘子, 矩阵分解啥的....蛮学术化的, 因为我是学文科的, 理解起来, 真的非常缓慢, 经常去图书馆查资料...而且涉及知识也蛮多.. 差不多大半年我才有所理解哦, 也是真的感慨:

故余虽愚, 卒获有所未闻.

耐心和恒心, 总会获得回报的.

真正理解 PCA 是理解矩阵的本质是线性变换, 然后工作一段时间后, 才真正对这些概念从认识上, 实践上, 加入认知, 现在倒是随便玩都行.

降维;
协方差矩阵;
特征分解;

前面有一张图, 写的是如何从不那么学术的视角, 从可编程的视角来理解 PCA 的, 当然默认大家是对矩阵特别熟, 不熟那就没办法了. 就像我小伙伴说, 它想写个软件, 但他说他不会编程.. 那就根本不具备条件, 没办法玩下去了..

PCA 理解

从线性代数的角度, 真的, 很多问题, 会很容易理解, 不要总是试图从微积分来认识.世界是很大的哦.

PCA 实现

从栗子的角度来实现, 我觉得这样算是非常通俗易懂了.

import numpy as np 

# 原始数据

X = np.array([

    [90, 60, 90],

    [90, 90, 30],

    [60, 60, 60],

    [60, 60, 90],

    [30, 30, 30]

])

# 该数据有 3个特征, 我想降维到 2个特征

# 约束是 方差尽可能大(保留更多的原始信息)

1. 随机向量的中心: $E(X_i - \mu_i)$ i=1...p个特征, 即随机矩阵的每个分量, 的中心, 所组成的向量

# 1. 求随机向量的 X 的中心(向量) (每列的均值)

center = np.average(X, axis=0)

print('随机向量的中心为:', center)

随机向量的中心为: [66. 60. 60.]

2. 对样本矩阵 X 进行中心化 ( 每个值到各自(列) 中心的距离)

# 2. 对 X 进行中心化

ret = []

for i in range(X.shape[1]):

    ret.append(X[:, i] - center[i])

# 垂直拼接

X_center = np.vstack(ret).T

print('中心化后的样本:\n', X_center)

中心化后的样本:

 [[ 24.   0.  30.]

 [ 24.  30. -30.]

 [ -6.   0.   0.]

 [ -6.   0.  30.]

 [-36. -30. -30.]]

3. 计算随机向量 X 的协方差矩阵: $\Sigma = \frac{1}{n-1} XX^T$ (X 是已经中心化后的)

随机向量 X, 其实就是一个矩阵呀

# 3. 计算协方差

X_cov = X_center.T.dot(X_center) / (X.shape[0] -1)

print("中心化后的样本的协方差矩阵为:\n", X_cov)

中心化后的样本的协方差矩阵为:

 [[630. 450. 225.]

 [450. 450.   0.]

 [225.   0. 900.]]

4. 对协方差矩阵进行特征分解

# 特征分解

特征值, 特征向量 = np.linalg.eig(X_cov)

print('协方差阵的特征值为:', 特征值)

print("特征值对应-特征向量为:\n", 特征向量)

协方差阵的特征值为: [  56.02457535 1137.5874413   786.38798335]

特征值对应-特征向量为:

 [[ 0.6487899  -0.65580225 -0.3859988 ]

 [-0.74104991 -0.4291978  -0.51636642]

 [-0.17296443 -0.62105769  0.7644414 ]]

假设特征值是升序排列, 真实不是, 暂时没写, 然后降维

# 5. 坐标旋转, 假设这里是从 3维降到 2 维

# 旋转矩阵

rotate_matrix = 特征向量[:, 1:3]

# 降维

print('从3维降到2维:\n', X.dot(rotate_matrix))

从3维降到2维:

 [[-140.6692628     3.07784927]

 [-116.28173533  -58.27962721]

 [-102.36346447   -8.27542884]

 [-120.99519515   14.65781313]

 [ -51.18173223   -4.13771442]]

小结: PCA 降维的核心, 其实就是 "坐标轴旋转", 然后这个过程, 可以用一个 旋转矩阵 来描述. 然后是一通推导, 得出这个旋转矩阵, 恰好是 协方差矩阵的特征分解后的, 特征向量组成的矩阵, 构成的. 或者说是, 选择 特征较大 的特征向量方向进行投影, 一样道理.

推导过程, 从矩阵变换, 矩阵分解的本质上, 来推导, 会比通过, 参数化, 然后最优化问题来解, 更直观和可编程. 起码不用思考, 怎么去代码实现拉格朗日乘子...