zoukankan      html  css  js  c++  java
  • 机器学习:PCA(基础理解、降维理解)

    PCA(Principal Component Analysis)

    一、指导思想

    • 降维是实现数据优化的手段,主成分分析(PCA)是实现降维的手段;
    • 降维是在训练算法模型前对数据集进行处理,会丢失信息
    • 降维后,如果丢失了过多的信息,在我们不能容忍的范围里,就不应该降维。
    • 降维没有正确与否的标准,只有丢失信息的多少;
    • 降维的方式本质是有无穷多种的。我们期望在其中找到“最好”,或者说“丢失信息”最少的那一种;
    • PCA算法使用的是:降维后保持原始数据的方差的多少,来衡量降维后保持原始数据了多少信息;
    • 对于降维算法来说,这个衡量标准不是固定的,有其他降维方法使用其他的衡量标准。
    • 降维不等于降噪,降噪只是降维可能的结果,但不是一定的结果,尤其是原始信息完全没有噪音的时候。
    • 每个主成分都解释了原始数据方差的一部分。每个主成分解释的方差量越大,说明这个主成分越重要。
    1. 可以这样理解:一个数据的主成分反应了一个新的降维后的特征空间,数据被降维后得到新的数据集,新的数据集在降维后的空间内的分布,只反应了原始数据在原始特征空间中的分布的一部分情况;
    • 信息损失依然可以表达原有信息是很常见的事情。如果举一个抽象的例子,我们日常在互联网中用的图像压缩算法,比如jpg等,都是通过减少图像原有信息达到让图片文件更小的目的。利用的就是即使损失了信息,对原有图像主体信息的影响是不大的。但是压缩的太狠了,就会慢慢让整个图像越来越模糊,最终导致完全看不出是什么东西,这就是信息损失的太大了。
    • PCA不是进行特征选择的过程。PCA的降维过程,是将原始的高维空间,映射到一个低维空间。低维空间的每个维度,是原始高维空间的一个线性组合。这使得PCA后的低维空间,每一个维度丧失了语意。如果对于你的应用来说,保持特征语意很重要,又要减少特征量,是不建议使用PCA的:) 
    • 思路
    1. 降维的目的:优化数据集;
    2. 得到优化的数据集的前提:找到最佳的降维空间;
    3. 满足最佳的降维空间的条件:降维后的数据集的方差最大;
    4. 使方差最大的优化方法:梯度上升法;
    • 其它
    1. 不能拿现实中的物理空间,类比数据中的特征空间;
    2. n 维向量(或者 n 维数组)只在数学中表示,n 维空间只是形象的表示数据间的关联;
    3. 在物理空间中,四维空间(时空,空间 + 时间维度)已经是极限了;
    • 疑问
    1. 怎么判断要不要降维?
    2. 或者说怎么判断数据集适不适合降维?
    3. 或者说这些数据集怎么了,要降低它的维度?
    4. 怎么判断降维后有没有丢失关键数据?是通过降维后的数据训练处的模型的效果吗?
    5. 降维过程中,降维后的数据集的方差的求解公式中:向量 w 表示什么?
    6. 降维实例中,二维特征空间降成一维(一条直线),w 是该直线上的一个单位向量,感觉是方便计算方差而引入的,为什么可以直接推广到 n 维特征空间的降维中使用?
    • 答疑
    1. 问题1、2、3:
    2. 问题5:向量 w 就是数据集的一个主成分;

    二、对 PCA 的理解

    • 名称:主成分分析算法;
    • 类型:非监督机器学习算法;
    • 主要功能:主要用于数据的降维;
    • 其它应用:数据可视化、去燥
    • 不仅在机器学习领域应用,也是统计学领域的重要应用
    • 数据降维的意义
    1. 从数据中发现更便于人类理解的特征;
    2. 方便数据可视化,使人类更容易理解可视化后的数据;
    3. 提高算法的运行效率;
    4. 有时,数据经过主成分分析以后再用于机器学习算法,数据的被识别率更好;

    三、降维

     1)实例说明数据的降维

    • 二维特征空间的样本点
    • 方案(一):抛除特征一,降维后的特征关系
    • 方案(二):抛除特征二,降维后的数据关系
    • 两种降维方案,方案(二)更好
    1. 方案(二)降维后的样本点映射到坐标轴上,点与点之间的距离较大,说明样本点之间具有较高的可区分度;
    2. 更好的保持了原来的点与点(二维特征空间里的样本点)之间的距离

     2)PCA 方法降维

    • 疑问:有没有更好的降维方案?
    • 什么叫更好:使样本的区分度更加明显
    • 方案(三)
    • 降维后的样本点分布
    • 优点:
    1. 所有的样本点的差异(或者距离),更趋近原来二维特征空间内样本点的差异(或距离);
    2. 与方案(一)、方案(二)相比,样本的区分度更加明显;

     3)降维后的特征空间

    • 最佳的降维特征空间满足的条件映射到降维特征空间后的数据集的方差最大时,对应的降维空间最佳;
      1、分析
    • 问题(一):怎么找到这样的一条直线?(让降维后的样本间间距最大)
    • 在二维特征空间中,这条直线就是降维后的特征空间;
    • 问题(二):如何定义样本间间距?
    • 方案:使用方差(Variance)表示样本间的距离;
    • 方差:描述样本(数据)在空间内(可以是一维、二维、多维空间)分布疏密的指标,方差越大,样本之间越稀疏;方差越小,样本之间越紧密;
    1. 方差公式: 
    2. xi:m 个数据中的第 i 个数据;
      2、二维特征空间降维成一维特征空间
    • 思路:找到一个轴,得到样本空间的所有点映射到这个轴后,方差最大(表示样本间间距越大);
    • 具体操作步骤

       A、第一步:将每一种特征的均值归为 0 (此过程称为 demean)

        # 样本分布没变,移动坐标轴位置,得到样本在每一个维度的均值都为 0 ;(见下图)

        # 具体操作:将数据集的每一种特征的值减去本列特征的均值

        # 公式变形:,均值

                # Xi 值映射到新的坐标轴上之后,得到的新的样本

       B、第二步:求一个轴的方向 w = (w1 , w2),使得所有的样本映射到 w 以后,有:

            # 轴:新的特征空间;

            # w:新的特征空间的第一主成分;

    最大;

          # 公式变形后:

    1. Var(Xproject):映射后的样本的方差;
    2. Xpreject映射后的数据集;
    3. || Xpreject(i) ||:映射后的数据集的第 i 个样本向量的模;(映射时,在原始特征空间内,将样本点看做向量)

      # 注:此直线,不是线性回归的线性模型直线,本例只是简化为对二维空间内的只有两个特征的样本数据进行降维;

      # 线性回归中,直线模型是样本的 n 维特征和样本对应的输出值之间的关系

     4)映射过程

    • 映射过程就是一个向量投影到另一个向量上

    1. w = (w1, w2):新的特征空间的主成分(此例中指,特征空间中,目标轴的方向);
    2. X(i):特征空间中,数据集的第 i 个样本;
    3. X(i) =  ( X1(i),  X2(i) ):特征空间中,样本点也可以看做一个向量;
    4. (Xpr1(i),  Xpr2(i)):映射后的样本点的特征值;
    • 计算映射后的样本特征

       # 其实就是向量之间的运算;

      

    1. θ:两向量的夹角;
    • 公式变形
    1. 此公式是针对本例中的两个特征的样本;
    2. 称此向量 w 是数据集的一个主成分;

    四、n 维特征空间降维

     1)公式推广

    • 推广到 n 为空间(一个样本有 n 个特征):
    • 变形公式
    1. X(i).dot(w):括号内的相加的式子,就是样本与主成分的向量积;
    • 再次变形,得最终公式
    1. X(i):第 i 个样本;
    2. w:主成分;

     2)分析

    1. 降维的目的:优化数据集;
    2. 降维的手段:主成分分析法(PCA);
    3. 优化结果:得到新的数据集  Xpreject
    4. PCA的手段:优化目标函数,使得其最大时对应的;

    五、其它降维算法

    • MDS,Isomap,LLE,LDA,t-SNE
  • 相关阅读:
    深入理解计算机系统 第六章 存储器层次结构 第二遍
    深入理解计算机系统 第六章 存储器层次结构
    深入理解计算机系统 第八章 异常控制流 Part2 第二遍
    深入理解计算机系统 第八章 异常控制流 part2
    深入理解计算机系统 第八章 异常控制流 Part1 第二遍
    深入理解计算机系统 第八章 异常控制流 part1
    深入理解计算机系统 第三章 程序的机器级表示 Part2 第二遍
    深入理解计算机系统 第三章 程序的机器级表示 part2
    深入理解计算机系统 第三章 程序的机器级表示 Part1 第二遍
    深入理解计算机系统 第三章 程序的机器级表示 part1
  • 原文地址:https://www.cnblogs.com/volcao/p/9156731.html
Copyright © 2011-2022 走看看