机器学习_用SVD奇异值分解给数据降维

 本想把PCA和SVD写在一起，可上篇PCA还没写清楚就已经4页word了。再把SVD和特征工程的内容加上，实在是太长了，一下说太多也记不住，于是重开一篇。
 SVD用到的原理和 PCA非常相似，就不再此赘述了，如果对特征值、特征向量相关问题不清楚请参见前篇《机器学习_用PCA主成分分析给数据降维》

1. 原理

 先回忆一下特征值分解：把向量x往特征向量方向上分解，然后每个方向上做伸缩，最后再把结果加起来即可。也可以理解为将向量x转到正交坐标系，在各个坐标轴的方向上缩放后，再转换回原来的坐标系。只有方阵才能做特征值分解，因此我们在PCA中不是直接对数据做分解，而是对参数的协方差矩阵做分解。
 我们知道，任何矩阵都可以分解为三个矩阵的乘积 A=U * Sigma * VT，也就是奇异值分解．其中 U 和VT 均是酉阵(正交阵在复数域的推广)，而 Sigma 为增广对角阵。从直观上讲，U 和 VT 可视为旋转操作，Sigma 可视为缩放操作。因此奇异值分解的含义就是说，若将矩阵看做一个变换，那么任何这样的变换可以看做是两个旋转和一个缩放变换的复合，这点和特征值分解基本一样。它也可以通过对Sigma的调整实现降维，通过U和VT在高维和低维间转换。相比特征值分解，奇异值分解可处理的不只是协方差矩阵（方阵），还可以直接处理数据。

图片引自百度百科

 但SVD也有一些问题，比如数据多的时候，奇异值分解的计算量会很大，不像PCA做特征值分解时，矩阵的大小只和属性个数相关。

2. 例程

(1) 功能

对矩阵A做SVD分解；降维；原始数据转到低维度；降维后的数据恢复到原来维度，看数据损失。

(2) 代码

from numpy import linalg
import array
import numpy as np

A=np.mat([[1,2,3],[4,5,6]])  
U,Sigma,VT=linalg.svd(A)  
print("U",U)
print("Sigma",Sigma)
print("VT",VT)
Sigma[1]=0 # 降维
print("Sigma",Sigma)

S = np.zeros((2,3))
S[:2, :2] = np.diag(Sigma)
print("A conv:", np.dot(np.dot(A.T, U), S)) # 原始数据转到低维
print("A':", np.dot(np.dot(U, S), VT)) # 恢复原始维度

(3) 运行结果

('U', matrix([[-0.3863177 , -0.92236578],
        [-0.92236578,  0.3863177 ]]))
('Sigma', array([ 9.508032  ,  0.77286964]))
('VT', matrix([[-0.42866713, -0.56630692, -0.7039467 ],
        [ 0.80596391,  0.11238241, -0.58119908],
        [ 0.40824829, -0.81649658,  0.40824829]]))
('Sigma', array([ 9.508032,  0.      ]))
('A conv:', matrix([[-38.7526545 ,   0.        ,   0.        ],
        [-51.19565893,   0.        ,   0.        ],
        [-63.63866337,   0.        ,   0.        ]]))
("A':", matrix([[ 1.57454629,  2.08011388,  2.58568148],
        [ 3.75936076,  4.96644562,  6.17353048]]))

(4) 分析

 SVD分解矩阵A，A是一个2x3（mn，其中m是行数）的矩阵，把它分解成三个矩阵的乘积：A=U * Sigma * VT，其中U的大小是2x2（mm），VT为33（nn），Sigma为min(m,n)，从矩阵乘法的角度上看，Sigma的大小应该是m*n，由于它是对角阵，为了简化，这里只取了对角线上元素。
 Sigma奇异值为（9.508032，0.77286964），两值差异很大，说明转换后特征主要集中在一个维度上，于是降维，Sigma调整 为（9.508032，0）。将原始矩阵A转置后乘U和调整后的Sigma，实现了对A的降维。最后，将调整后的Sigma与U,VT相乘，映射回原始维度，变为矩阵A’，对比之下，A’与A的也差不太多。不过把两维降成一维还是挺夸张的，在此只为举例，大家领会精神吧。
 这里比较重的是：观察Sigma，决定保留前几项？svd()函数对求出的奇异值和奇异向量按大小做了排序，其中值明显大的前N项，说明有N个“综合参数”最重要，因此，可以将数据降成N维。可降维度的多少，主要还是看数据的相关性，相关性越大，越适合降维。

3. 具体应用

(1) 图片压缩

 把图片的像素放一个矩阵里，做SVD分解，只保留Sigma中值大的前N项。则存储时只需保存三个矩阵，假设原图大小100x100，N为5，则原图要10000点存储，而拆分后100x5+100x5+5=1005，图像大小变为原来的1/10。

(2) 数据降维

 矩阵中记20人试吃这5种套餐的评价（5x20），先对整体数据做SVD分解，假设保留Sigma的前3项，把原矩阵转置并和U,Sigma相乘，矩阵就从520维变成了35维。再套用各种学习算法时，数据就大大缩减了（从高维到低维投影）。不过20个维度变为3个维度后，属性意义也不像之前那么直观了，我们可以使用VT矩阵把数据恢复到原来的维度。

技术文章定时推送
请关注公众号：算法学习分享