主成分分析法 PCA

此系列笔记来源于

Coursera上吴恩达老师的机器学习课程

---

主成分分析法 PCA

数据压缩

对于一个多维度的特征量，我们可以进行压缩，来使得数据量减少

如：

数据可视化

对于下列数据，我们先将 \(\R^{50}\)变为了 \(\R^2\)

随后作图

便能很清楚直观的了解到数据的一些信息

PCA

PCA的目的

PCA的目的就是去压缩数据或者可视化

在数据压缩时，如二维变为一维：

我们找到一个方向，即图中这条直线，随后将所有数据点投影到这条直线上。

我们令这个垂直的投影距离，即蓝色线段为投影误差，而PCA所做的就是去寻找令数据压缩后投影误差最小的这个方向\向量

可以推广到更高维度

将n维压缩到k维，我们找到k个向量，能让数据投影到这些向量上后，整体投影误差之和最小

PCA算法过程

1、我们先计算协方差矩阵 \(\sum\)（注意与求和符号区分）

\(\sum=\frac{1}{m}X^TX\)

2、计算协方差矩阵的特征向量矩阵

这里可以调用函数 [U, S, V] = svd(Sigma); 而第一个U 即为我们所要的特征向量矩阵

假设我们要降到 k维，那么我只需选取前 k 个特征向量，并记为\(U_{reduce}\)

这 k 个向量便是我们新的特征

3、计算 z

假设原始数据为 \(x\)，我们要将其变为 k维

\(z = U_{reduce}^Tx\)

另外因为\(x\in\R^n\)，所以\(x_0\ne1\)

压缩重建

在\(x\)转化为\(z\)后我们同样可以转化回去

\(x_{approx}=U_{reduce}z,\;x_{approx}\approx x\)

选择主成分的数量 k

PCA是为了最小化平均平方映射误差 \(\frac{1}{m}\sum_{i=1}^{m}||x^{(i)}-x^{(i)}_{approx}||^2\)

另外定义数据的总变差 Total variation: \(\frac{1}{m}\sum_{i=1}^m||x^{(i)}||^2\)

我们要选择 最小的一个k，能满足：

\(\frac{\frac{1}{m}\sum_{i=1}^{m}||x^{(i)}-x^{(i)}_{approx}||^2}{\frac{1}{m}\sum_{i=1}^m||x^{(i)}||^2}\le0.01\;(1\%)\)

用PCA的语言来说就是保留了99%的差异性

如果是 \(\le0.05\;(5\%)\)

那么就是保留了95%的差异性

算法过程:

也就是遍历 k 从1开始，对于每个k 计算对应的数值然后看看是否满足下面的式子。但是这样的效率是十分低的。

我们用其他方法做：

1、[U, S, V] = svd(sigma)

2、这里的 S 是一个对角矩阵 \(diag(S_{11},\;S_{22},\;\cdots,\;S_{nn})\)

Check的式子可以等价为 \(1-\frac{\sum_{i=1}^kS_{ii}}{\sum_{i=1}^nS_{ii}}\le0.01\)

因此只需要逐渐增加k，并检查是否满足 \(\frac{\sum_{i=1}^kS_{ii}}{\sum_{i=1}^nS_{ii}}\ge0.99\)

加速学习算法

我们可以利用PCA 通过压缩数据的方法来加速算法

已知训练集 training set

我们先使用PCA来对训练集降维（不能对cv集 和 test集使用）

得到新训练集

训练集上的\(x^{(i)} \rightarrow z^{(i)}\)的映射关系 可以再用于cv集 和 test集

完成降维后，对新的数据集再运行原来的学习算法即可

PCA的应用

PCA的不恰当使用

1、用PCA去解决 过度拟合overfitting问题，更合适的方法是正则化

2、在设计一个机器学习系统前，我们不应该直接就将PCA列入步骤，如果不使用PCA，系统也能运行的话，那么PCA根本没有必要。而应当在运行速率较慢等问题下，再去运用PCA解决问题