PCA降维示意以及SVD辅助作用体现

前言：仅个人小记

一、简要介绍PCA降维思想

对角化并引出正交矩阵Q

$$A^{T}A=P\Lambda P^{-1}=Q\Lambda Q^T$$其中，A是m*n的矩阵，A的每一个列向量代表着一个数据样本，即A是由n个m维度的数据样本构成的数据矩阵。 $\Lambda$是对角矩阵，且对角线上的值按降序摆放。Q是规格为nXn的正交矩阵。

借助正交矩阵Q进行降维

$$Q^T{A}^{T}AQ=\Lambda$$$${(AQ)}^{T}AQ=\Lambda$$
从Q中挑选前k个特征向量，即k个较大特征值对应的特征向量。构成k维度空间，将原来n维度的数据投影到这个k维度空间，k

二、PCA 示例

前提： 规格为25*25的图像，图像的每个像素视为一个维度，即每张图像有625个维度。将图像拉直成一个625维度的向量。由4000张图像(不同字体的字母a构成)，现在希望将图片从625维度降维到3维度。或者说找出3个最重要的维度。

PCA降维处理如下，

将图像按降维后得到的结果，标注在三维空间上（简陋绘制三维坐标），效果如下图，

放大一点的截图，

三、SVD 在PCA中辅助作用

SVD推导过程可见之前文章 https://blog.csdn.net/qq_25847123/article/details/79358598
$$A=U\Sigma V^T$$$$A^{T}A=V{\Sigma }^T{U}^{T}U\Sigma V^T=V{\Sigma }^T\Sigma V^T$$此处对应着PCA中$$A^{T}A=P\Lambda P^{-1}=Q\Lambda Q^T$$即，对应关系为，$$A^{T}A=Q\Lambda Q^T=V{\Sigma }^T\Sigma V^T$$$$\Lambda ={\Sigma }^T\Sigma$$其中，V和U都是正交矩阵。

故而，做完了SVD，得到的矩阵V就是PCA中想要的矩阵Q，故而可以通过解SVD进而完成PCA的任务。