主成分分析(PCA)及其MATLAB的实现方法
文章目录
说明:下文中,粗斜体字母均表示矩阵(如A\boldsymbol AA);为不引起歧义,列向量也均加箭头表示(如a⃗\vec aa)
概述
PCA的目的
假设现在有这样一个情景:现在要统计并可视化分析男大学生体测成绩,如果只参考立定跳远和1000m成绩两项指标,我们可以以立定跳远成绩作为xxx轴,1000m成绩作为yyy轴做出散点图,每个点代表一个学生;若统计三项指标,我们也可以在三维空间中做出散点图;但如果要统计四项乃至更多的指标,我们就无法再以此方法进行数据的可视化。
而主成分分析(Principal Component Analysis,PCA)的方法,可以将具有多个观测变量的高维数据集降维,使人们可以从事物之间错综复杂的关系中找出一些主要的方面,从而能更加有效地利用大量统计数据进行定量分析,并可以更好地进行可视化、回归等后续处理。
PCA的几何意义
先将问题简化为二维情形。有NNN个样品,具有两个观测变量X1, X2X_1,\ X_2X1, X2,做出散点图(如下图中的蓝色点),这样,在由X1, X2X_1,\ X_2X1, X2组成的坐标空间中,NNN个样品的分布情况如带状。现在问:如果现在要将两个观测变量缩减为一个,应该如何选取?
可以直观地看出,这NNN个样品无论沿X1X_1X1轴还是沿X2X_2X2轴方向,均有较大的离散性(其离散程度可以分别用观测变量X1X_1X1的方差和X2X_2X2的方差定量表示),也就是说,只考虑X1, X2X_1,\ X_2X1, X2的其中一个,原始数据均会有较大损失。
现在考虑以下线性组合,变换坐标空间:
{T1=X1cosθ+X2sinθT2=−X1sinθ+X2cosθ
\begin{cases}
T_1 = X_1 \cos \theta + X_2 \sin \theta \\
T_2 = -X_1 \sin \theta + X_2 \cos \theta
\end{cases}
{T1=X1cosθ+X2sinθT2=−X1sinθ+X2cosθ
即
[T1T2]=[X1X2][cosθ−sinθsinθcosθ]=[X1X2]W(1) \begin{bmatrix} T_1 & T_2 \end{bmatrix}=\begin{bmatrix} X_1 & X_2 \end{bmatrix} \begin{bmatrix} \cos \theta & -\sin \theta \\ \sin \theta & \cos \theta \end{bmatrix} = \begin{bmatrix} X_1 & X_2 \end{bmatrix} \boldsymbol W \tag{1} [T1T2]=[X1X2][cosθsinθ−sinθcosθ]=[X1X2]W(1)
式中W\boldsymbol WW为旋转变换矩阵,有如下性质:
- W\boldsymbol WW的第iii列组成的列向量(也就是后面将要提到的特征向量),代表的就是新坐标空间的基底TiT_iTi在原坐标空间中的坐标,且其为单位向量;
- W\boldsymbol WW为正交阵,即满足:WTW=I\boldsymbol W^{\rm T} \boldsymbol W=\boldsymbol IWTW=I。
经过旋转,NNN个数据点在T1T_1T1轴上的离散程度最大,因而变量T1T_1T1代表了原始数据的绝大部分信息,这样,即使不考虑变量T2T_2T2也不会损失太多数据信息。这个T1T_1T1即为第一主成分(Principal Component 1,PC1),如图中箭头所示。若将所有数据点投影到T1T_1T1轴上(图中橙色点),就得到了降维后的数据。若有多个主成分,则:
- 这些主成分之间相互独立,即没有重叠的信息,亦即这些特征向量之间正交,cov(Ti,Tj)=0,i≠j{\rm cov} \left( T_i, T_j \right) = 0,\quad i \ne jcov(Ti,Tj)=0,i=j;
- 主成分的方差依次递减,var(T1)≥var(T2)≥⋯{\rm var}\left( T_1 \right) \ge {\rm var}\left( T_2 \right) \ge \cdotsvar(T1)≥var(T2)≥⋯
也就是说,PCA并不会对原有数据做任何的改变,而只是将“观看”原有数据的视角转换了,即,在原有数据空间中的数据的相对位置,与在主成分空间(Principal Component Space)中的相对位置是完全相同的,相当于只是更换了原有数据的基底。
原理与步骤简述
算法一:特征分解(Eigen Decomposition)
假设有一n×mn\times mn×m维的数据矩阵A=[a⃗1Ta⃗2T⋮a⃗nT]\boldsymbol A = \begin{bmatrix} \vec a_1^{\rm T} \\ \vec a_2^{\rm T} \\ \vdots \\ \vec a_n^{\rm T} \end{bmatrix}A=⎣⎢⎢⎢⎡a1Ta2T⋮anT⎦⎥⎥⎥⎤,其中nnn为样本量,mmm为观测变量的数量。PCA的步骤如下:
-
先对A\boldsymbol AA进行中心化(整体平移数据,使数据中心在(0,0)(0,0)(0,0)):
-
对A\boldsymbol AA求列上的平均值:a⃗T‾=1n∑i=1na⃗iT\overline {\vec a^{\rm T}} = \dfrac 1 n \sum _{i=1}^n \vec a_i ^{\rm T}aT=n1∑i=1naiT(结果为一行向量);
- 记Aˉ=[11⋮1]a⃗T‾=[a⃗T‾a⃗T‾⋮a⃗T‾]\boldsymbol {\bar A} = \begin{bmatrix} 1 \\ 1 \\ \vdots \\ 1 \end{bmatrix}\overline {\vec a^{\rm T}} = \begin{bmatrix} \overline {\vec a^{\rm T}} \\ \overline {\vec a^{\rm T}} \\ \vdots \\ \overline {\vec a^{\rm T}} \end{bmatrix}Aˉ=⎣⎢⎢⎢⎡11⋮1⎦⎥⎥⎥⎤aT=⎣⎢⎢⎢⎡aTaT⋮aT⎦⎥⎥⎥⎤;
- 中心化后的数据矩阵X=A−Aˉ\boldsymbol X = \boldsymbol A - \boldsymbol {\bar A}X=A−Aˉ(n×mn\times mn×m维)。
-
计算X\boldsymbol XX的协方差矩阵C\boldsymbol CC:
C=XTX(2) \boldsymbol C = \boldsymbol X^{\rm T}\boldsymbol X \tag{2} C=XTX(2) -
对X\boldsymbol XX做特征分解,即求解特征方程
∣C−λI∣=0(3) \left| \boldsymbol C - \lambda \boldsymbol I\right|=0 \tag{3} ∣C−λI∣=0(3)
可得到mmm个特征值(Eigenvalues)λi\lambda_iλi。再解方程
(C−λiI)w⃗i=0(4) \left( \boldsymbol C - \lambda _i \boldsymbol I\right)\vec w_i =0 \tag{4} (C−λiI)wi=0(4)
其中w⃗i=[w1iw2i⋮wmi],i=1,2,⋯ ,m\vec w_i= \begin{bmatrix} w_{1i} \\ w_{2i} \\ \vdots \\ w_{mi}\end{bmatrix},\quad i=1,2,\cdots ,mwi=⎣⎢⎢⎢⎡w1iw2i⋮wmi⎦⎥⎥⎥⎤,i=1,2,⋯,m,得到mmm个特征向量(Eigenvectors)w⃗i\vec w_iwi,将它们组成矩阵 W\boldsymbol WW。可以验证,∑j=1mwji=1\sum_{j=1}^m w_{ji}=1∑j=1mwji=1。 -
将特征值降序排列,其对应的特征向量也排列到对应位置(调换W\boldsymbol WW的列)。我们这样做的原因是,var(Ti)=λi{\rm var} \left( T_i\right)=\lambda_ivar(Ti)=λi。
进行特征还原:
T=XW(5) \boldsymbol T = \boldsymbol X \boldsymbol W \tag{5} T=XW(5)
其中:-
T\boldsymbol TT,n×mn\times mn×m维,称为主成分得分(principal component scores),即为新坐标空间中的数据点
- W\boldsymbol WW,m×mm\times mm×m维,为特征向量组成的矩阵(称为loadings)
-
我们可以只取W\boldsymbol WW的前rrr列,即将m×mm\times mm×m维矩阵缩减为m×rm\times rm×r维矩阵,记作Wr\boldsymbol W_rWr,则有:
Tr=XWr(6) \boldsymbol T_r = \boldsymbol X \boldsymbol W_r \tag{6} Tr=XWr(6)
Tr\boldsymbol T_rTr同样为T\boldsymbol TT从n×mn\times mn×m维缩减为n×rn\times rn×r维的结果,相当于将原有的mmm个观测变量缩减为最主要的rrr个,即达到了我们的目的——降维。
算法二:奇异值分解(Singular Value Decomposition,SVD)
对矩阵X\boldsymbol XX进行奇异值分解:
X=UΣV∗=UΣVT
\boldsymbol X = \boldsymbol U \boldsymbol \Sigma \boldsymbol V^* = \boldsymbol U \boldsymbol \Sigma \boldsymbol V^{\rm T}
X=UΣV∗=UΣVT
其中:
- U\boldsymbol UU(n×nn\times nn×n 维),V\boldsymbol VV(m×mm\times mm×m 维)分别称为左奇异向量和右奇异向量;
- V∗\boldsymbol V^*V∗表示矩阵V\boldsymbol VV的共轭转置矩阵,因为X\boldsymbol XX为实数矩阵,所以可写为V∗=VT\boldsymbol V^*=\boldsymbol V^{\rm T}V∗=VT;
- Σ\boldsymbol \SigmaΣ为一矩形对角矩阵(n×mn\times mn×m维),其对角线元素称为奇异值(singular value)。
在PCA的问题中恒有:W=V\boldsymbol W = \boldsymbol VW=V。与W\boldsymbol WW相似,V\boldsymbol VV具有以下性质:
- Σ\boldsymbol \SigmaΣ的对角线元素也满足σ1>σ2>⋯\sigma_1> \sigma_2 > \cdotsσ1>σ2>⋯,即,也是降序排列的;
- U\boldsymbol UU和V\boldsymbol VV的第iii列,对应于Σ\boldsymbol \SigmaΣ的第iii个元素(第iii大元素)σi\sigma_iσi;
- U\boldsymbol UU和V\boldsymbol VV满足:U∗U=I\boldsymbol U^* \boldsymbol U = \boldsymbol IU∗U=I,V∗V=I\boldsymbol V^* \boldsymbol V = \boldsymbol IV∗V=I。
故,公式(5)(5)(5)可写为:
T=XW=XV=UΣV∗V=UΣ \begin{aligned} \boldsymbol T & = \boldsymbol X \boldsymbol W\\ & = \boldsymbol X \boldsymbol V\\ & = \boldsymbol U \boldsymbol \Sigma \boldsymbol V^*\boldsymbol V \\ & = \boldsymbol U \boldsymbol \Sigma \\ \end{aligned} T=XW=XV=UΣV∗V=UΣ
即:
T=UΣ(7) \boldsymbol T = \boldsymbol U \boldsymbol \Sigma \tag{7} T=UΣ(7)
我们同样可以对Σ\boldsymbol \SigmaΣ只取第一个r×rr \times rr×r的块,记作Σr\boldsymbol \Sigma _ rΣr,相应地U\boldsymbol UU也只取前rrr列,记作Ur\boldsymbol U_rUr,则有
Tr=UrΣr(8) \boldsymbol T_r = \boldsymbol U_r \boldsymbol \Sigma _r \tag{8} Tr=UrΣr(8)
rrr的选取标准
计算方差的累积贡献率:
f(k)=∑i=1iλk∑i=1mλi,k=1,2,⋯(9)
f(k)=\dfrac{\sum _{i=1}^i \lambda_k}{\sum_{i=1}^m \lambda_i},\quad k = 1,2,\cdots
\tag{9}
f(k)=∑i=1mλi∑i=1iλk,k=1,2,⋯(9)
作出其图像。因为λ1>λ2>⋯\lambda_1> \lambda_2 > \cdotsλ1>λ2>⋯,故f(k)f(k)f(k)为一单调递增的函数,且其递增速度随着kkk增加逐渐降低。
一般地,我们可以取使得f(r)≥f(r) \gef(r)≥某一阈值(如95%95\%95%)的最小的rrr,这样最多只会损失掉5%的方差。
对于SVD法,将公式(9)(9)(9)中的λ\lambdaλ换为σ\sigmaσ即可。
两种算法的比较
在采用特征分解法时,我们无法避免计算XTX\boldsymbol X^{\rm T}\boldsymbol XXTX,而在观测变量数mmm非常大时,这一算法的劣势将被无限放大(协方差矩阵为m×mm\times mm×m维)。
而采用SVD算法,则只需要计算Tr=UrΣr\boldsymbol T_r = \boldsymbol U_r \boldsymbol \Sigma _rTr=UrΣr,而Σr\boldsymbol \Sigma _rΣr为对角阵,显然这一算法的计算量要小很多(这一点类似于DFT与FFT之间的比较)。默认情况下,MATLAB中的
pca函数也会使用SVD算法。
MATLAB的实现方法
我们先载入MATLAB自带的数据集
fisheriris(该数据集统计了三种鸢尾花的花萼长、花萼宽、花瓣长、花瓣宽),然后进行中心化处理,并计算协方差矩阵:
load fisheriris; X = meas; % n = 150, m = 4 % 中心化 meanX = ones(size(X,1), 1) * mean(X); centredX = X - meanX; C = cov(centredX); % 直接调用cov直接计算协方差矩阵即可
特征分解法:利用eig
函数
[W, Lambda] = eig(C); % W是特征向量组成的矩阵(4×4),Lambda是特征值组成的对角矩阵 ev = (diag(Lambda))'; % 提取特征值 ev = ev(:, end:-1:1); % eig计算出的特征值是升序的,这里手动倒序(W同理) W = W(:, end:-1:1); sum(W.*W, 1) % 可以验证每个特征向量各元素的平方和均为1 Wr = W(:, 1:2); % 提取前两个主成分的特征向量 Tr = centredX * Wr; % 新坐标空间的数据点 % 作图 figure; stairs(cumsum(ev)/sum(ev), 'LineWidth',1.5); axis([1 4 0 1]); xlabel('$ k $', 'Interpreter', 'latex'); ylabel('$ f(k)=\frac{\sum _{i=1}^i \lambda_k}{\sum_{i=1}^m \lambda_i} $',... 'Interpreter', 'latex'); hold on; plot([1 4], [0.95 0.95], '--'); % 从图中可以看出,取r = 2即可 figure; scatter(Tr(:,1), Tr(:,2), 130, categorical(species), '.'); colormap(winter); xlabel('Principal Component 1'); ylabel('Principal Component 2');
SVD法:利用svd
函数
[U, Sigma, V] = svd(X); % 可以检验,W和V完全相同(向量的正负号不影响) Vr = V(:, 1:2); % 提取前两个主成分的特征向量 Tr = X * Vr; % 新坐标空间的数据点 % 画图部分同上,略
利用pca
函数
pca的常用调用格式如下:
[loadings, scores] = pca(X, 'NumComponents', r);
其中:
loadings
为Wr\boldsymbol W_rWr矩阵(m×rm\times rm×r维),即主成分系数;scores
为Tr\boldsymbol T_rTr矩阵(n×rn\times rn×r维);eigenvalues
为所有特征值组成的列向量。
且默认情况下,
pca会自动将数据
X中心化。
在本例中,我们可以略去中心化的步骤,直接调用该函数:
[Wr, Tr, ev] = pca(X, 'NumComponents',2); % 画图部分略
应用
聚类分析
如上面鸢尾花的例子中,降维后的数据仍可以清晰地分为三类。这样,当我们拿到一种鸢尾花,计算相应的T1T_1T1和T2T_2T2,将结果画在散点图中,我们就可以判断出其属于哪一种鸢尾花。
例如,我们在电商平台浏览并购买商品时,平台就会收集你的年龄、性别、购买商品平均价格、购买频率、最初浏览商品直到最终购买之间的时间间隔等等大量、多维度的信息,然后进行降维,将你归于“大学生”“白领”“一家三口”等类别,然后定向为你推送促销商品的通知。
图像压缩
假设有一张n×mn \times mn×m的图片X\boldsymbol XX,根据(6)(6)(6)式,我们可以利用矩阵Wr\boldsymbol W_rWr将其降至n×rn\times rn×r维。如果我们只传输Tr\boldsymbol T_rTr和Wr\boldsymbol W_rWr,就可以反推还原出X\boldsymbol XX,而压缩比可达nmr(n+m)≤nm2r\dfrac {nm}{r(n+m)} \le \dfrac {\sqrt{nm}} {2r}r(n+m)nm≤2rnm
人脸检测与匹配
假设有nnn个人脸训练样本,每个样本共mmm个像素,每个样本由其像素灰度值展开组成一个行向量,按列组成矩阵X\boldsymbol XX。
同样先求其平均向量(称为“平均脸”),中心化后求协方差矩阵,并进行特征分解。任何一幅人脸图像都可以变换到主成分空间,得到“特征脸”(Eigenfaces)。
这样,若将待识别的人脸做同样的变换,遍历已有的特征脸中,寻找最为接近的特征脸,即完成了匹配。
- 点赞
- 收藏
- 分享
- 文章举报
- 主成分分析PCA的matlab实现
- PCA(主成分)分析及MATLAB实现
- PCA(Principal Component Analysis 主成分分析)原理及MATLAB实现
- [机器学习笔记]主成分分析PCA简介及其python实现
- PCA (主成分分析)matlab实现
- 主成分分析(PCA)及其在R里的实现
- [置顶] PCA原理分析和Matlab实现方法(三)
- 主成分分析(PCA)原理与故障诊断(SPE、T^2以及结合二者的综合指标)-MATLAB实现
- Gram-Schmidt正交化及其修正方法的matlab实现
- 主成分分析(pca)算法的实现步骤及代码
- 视频图像的MATLAB处理(2)两种主成分分析方法
- python实现PCA(主成分分析)降维
- 动态星间链路分析及其STK/Matlab实现
- 【机器学习算法实现】主成分分析(PCA)——基于python+numpy
- 主成分分析(PCA)原理及R语言实现
- 主成分分析(PCA)——matlab程序及函数详解
- 【机器学习算法实现】主成分分析 PCA ——基于python+numpy
- 主成分分析方法PCA总结
- 多种图像的颜色/纹理描述子及其matlab代码实现 相似性量测方法
- 主成分分析PCA简介及其python实现