讲讲PCA主成分分析

在机器学习的领域中，我们对原始数据进行特征提取，经常会得到高维度的特征向量。在这些多特征的高维空间中，会包含一些冗余和噪声。所以我们希望通过降维的方式来寻找数据内部的特性，提升特征表达能力，降低模型的训练成本。PCA是一种降维的经典算法，属于线性、非监督、全局的降维方法。

    

01

    

             

             

             PCA原理

PCA的原理是线性映射，简单的说就是将高维空间数据投影到低维空间上，然后将数据包含信息量大的主成分保留下来，忽略掉对数据描述不重要的次要信息。而对于正交属性空间中的样本，如何用一个超平面对所有样本进行恰当合适的表达呢？若存在这样的超平面，应该具有两种性质：

• 所有样本点到超平面的距离最近
• 样本点在这个超平面的投影尽可能分开

以上两种性质便是主成分分析的两种等价的推导，即PCA最小平方误差理论和PCA最大方差理论，本篇主要为大家介绍最大方差理论。

 

PCA的降维操作是选取数据离散程度最大的方向(方差最大的方向)作为第一主成分，第二主成分选择方差次大的方向，并且与第一个主成分正交。不算重复这个过程直到找到k个主成分。

数据点分布在主成分方向上的离散程度最大，且主成分向量彼此之间正交；

    

02

    

PCA算法实现步骤

1、对所有数据特征进行中心化和归一化

对样本进行平移使其重心在原点，并且消除不同特征数值大小的影响，转换为统一量纲：

2、计算样本的协方差矩阵

协方差是对两个随机变量联合分布线性相关程度的一种度量；

3、对协方差矩阵求解特征值和特征向量

注意点：

1、对称矩阵的特征向量相互正交，其点乘为0

2、数据点在特征向量上投影的方差，为对应的特征值，选择特征值大的特征向量，就是选择点投影方差大的方向，即是具有高信息量的主成分；次佳投影方向位于最佳投影方向的正交空间，是第二大特征值对应的特征向量，以此类推；

 

4、选取k个最大大特征值对应的特征向量，即是k个主成分

U是协方差矩阵所有的特征向量构成的矩阵，对应的特征值满足：λ1>λ2>⋯>λn，同时使其满足在主成分向量上投影的方差和占总方差的99%或者95%以上，即确定了k的选取。

 

    

03

    

降维python实现

1、配置环境，导入相关包

2、读取数据

3、读取特征、标签列，并进行中心化归一化，选取主成分个数，前2个主成分的方差和>95%

4、将降维后特征可视化，横纵坐标代表两个主成分，颜色代表结果标签分类，即可根据主成分进行后续分析、建模

---

以上PCA主成分分析就讲完了，本文进行了样本点在超平面的投影尽可能分开的推导原理阐述，大家感兴趣的可以研究另一种等价推导，即样本点到超平面的距离最近；

--------   往 期 推 荐  ----------

▼

• [PPT福利领取】分享一些高大上、有逼格的PPT模板
  

• [数据产品笔记】二、数据可视化设计规范
  

• 2021年让我们做个深度思考的人

• 我所理解的【数据中台】建设方法论

• 超级PPT福利贴 | 免费PPT素材资源领取

• [阿里首次公开]-数据中台实践完整版（附下载）

• 用过往的经历，聊聊数据分析这个职业