关于PCA和SVD的认识

我想如果线性代数中向量空间的基底、坐标、基变换与坐标变换的内容理解的比较成熟的话，那么对理解PCA和SVD的理解将是水到渠成的事。

一.数学基础

基底：

若α_1，α_2，...，α_n为向量空间Rⁿ的一线性无关的向量组，且Rn中任一向量均可由α_1，α_2，...，α_n线性表示，则称α_1，α_2，...，α_n 为向量空间R^_n的一个基底。

补充：

1.基底的特殊情况是 α_1，α_2，...，α_n 相互正交而且都是单位向量，最最特殊的情况是单位矩阵E。

2.基底包含的向量个数=Rⁿ 向量空间维数 <=向量维数。

坐标：

设α_1，α_2，...，α_n 为向量空间Rn的一组基，对任意α属于Rⁿ，存在唯一一组数，使

α=x₁α₁+x₂α₂+...+xnα_n=[α1，α2，...，αn]X 

则X=（x₁，x₂，...，x_n）是向量α在基α_1，α_2，...，α_n 上的坐标。

补充：

1.基底与坐标的线性组合就是坐标表示的向量。

基变换与坐标变换

若α_1，α_2，...，α_n 和β₁， β₂，...，β_n 为向量空间Rⁿ 中的两组基，

则：

[β₁， β₂，...，β_n]=[α_1，α_2，...，α_n ]P

或

[α_1，α_2，...，α_n ]=[β₁， β₂，...，β_n]P^-1

称为基变换公式.其中可逆矩阵P称为由基α_1，α_2，...，α_n 到基 β₁， β₂，...，β_n 的过渡矩阵。若向量α在基α_1，α_2，...，α_n 和基 β₁， β₂，...，β_n  上的坐标分别为X和Y，

即：　

α=[α1，α2，...，αn]X =[β₁， β₂，...，β_n]Y=[α_1，α_2，...，α_n ]PY,

则：

X=PY

或

Y=P^-1 X

称为坐标转换公式。

补充：

1.可逆矩阵P 的特殊情况为正交矩阵，正交转换矩阵的特性是可以保持原向量之间的相对位置。

2.单就坐标而言，X是Y在P行向量上的投影。

3.当α_1，α_2，...，α_n 是单位矩阵E，这时：

　α=[α1，α2，...，αn]X=EX=X

   [β₁， β₂，...，β_n]=[α_1，α_2，...，α_n ]P=E*P=P

　α=[β₁， β₂，...，β_n]Y=PY

　而P是正交矩阵时，这就是PCA和SVD的应用环境。

二.PCA和SVD的应用

以PCA为例，

对以列向量为样本的矩阵A（假设已经中心化），以AA’ 的特征向量矩阵 P 为过渡矩阵，这个P既是转换矩阵、投影矩阵，又是基矩阵，列向量为基向量。P’*A即对A的转换（坐标转换，A就是坐标矩阵），这也是A的列向量向P’的行向量，即P的列向量的投影。结果就得到转换后的坐标。

（若是以行向量为样本的矩阵A（假设已经中心化），以A’A 的特征向量矩阵 P 为过渡矩阵，这个P既是转换矩阵、投影矩阵，又是基矩阵，列向量为基向量。A*P即对A的转换（坐标转换，A就是坐标矩阵），这也是A的行向量向P的列向量的投影。）

由于转换后的向量坐标方差降序（而且相邻维度的协方差为零），所以末尾维度上的方差趋近零，所以所有样本向量末尾维度上的坐标趋近均值且波动较小。而中心化的坐标均值为零，所以末尾维度上的坐标趋近于零。

有一中的知识，样本向量

α=x₁α₁+x₂α₂+...+x_nα_n=[α₁，α₂，...，α_n]X 

由于所有α_i 都是单位向量，所以模都为1；所以坐标为零的项可以忽略。这样就是去掉了冗余，实现了压缩存储，和近似还原（失真还原）。