维数约减又称为降维。
使用维数约减的原因:
1. 数据压缩(减少空间占用,同时为算法提速)
例1:从 2D→1D 2 D → 1 D
存在如下图所示样本集, x(i)∈R2 x ( i ) ∈ R 2
希望找到如下图中所示直线,把所有样本映射到这条线上
如此,就可以使用下图来表示样本位置,只需要一个特征变量即可:
x(1)∈R2→z(1)∈R x ( 1 ) ∈ R 2 → z ( 1 ) ∈ R
x(2)∈R2→z(2)∈R x ( 2 ) ∈ R 2 → z ( 2 ) ∈ R
⋯ ⋯
x(m)∈R2→z(m)∈R x ( m ) ∈ R 2 → z ( m ) ∈ R
例2:从 3D→2D 3 D → 2 D
存在如下图所示样本集, x(i)∈R3 x ( i ) ∈ R 3
把所有样本投影到一个二维平面上,如下图所示:
则可以使用两个特征值来表示样本点的位置,如下图:
z(i)=[z(i)1z(i)2] z ( i ) = [ z 1 ( i ) z 2 ( i ) ]
2. 数据可视化
当 x(i)∈R50 x ( i ) ∈ R 50 时,无法有效观察理解数据,将其降维至 z(i)∈R3 z ( i ) ∈ R 3 或 z(i)∈R2 z ( i ) ∈ R 2 ,就可以呈现为 3D 3 D 或 2D 2 D 的图像。
主成分分析法(PCA):是当前最常用的降维算法。
PCA实质为寻找一个低维的面,把数据投射在上面,使得样本点到面的垂直距离的平方和达到最小值。这些垂直距离也称为投影误差。
更一般化的表达是:从 n n 维降到 k k 维,找到 k k 个向量 u(1),u(2),⋯,u(k) u ( 1 ) , u ( 2 ) , ⋯ , u ( k ) ,将样本数据投射在这 k k 个向量上,使得投影误差最小。
在应用PCA之前,通常会进行均值归一化和特征规范化。
训练集: {x(1),x(2),⋯,x(m)} { x ( 1 ) , x ( 2 ) , ⋯ , x ( m ) }
在执行PCA算法前的数据预处理:
PCA算法:
将数据从 n n 维降维到 k k 维:
⇒ ⇒ 计算协方差矩阵: Σ=1m∑i=1m(x(i))(x(i))T Σ = 1 m ∑ i = 1 m ( x ( i ) ) ( x ( i ) ) T (注: Σ Σ 表示希腊字母Sigma)
Octave O c t a v e 代码:Sigma=(1/m)*X'*X
其中 X=⎡⎣⎢⎢⎢⎢⎢⎢x(1)Tx(2)T⋮x(m)T⎤⎦⎥⎥⎥⎥⎥⎥ X = [ x ( 1 ) T x ( 2 ) T ⋮ x ( m ) T ]
⇒ ⇒ 计算矩阵 Σ Σ 的特征向量:
Octave O c t a v e 代码:[U,S,V]=svd(Sigma);
svd表示奇异值分解,在 Octave O c t a v e 中,也可以用eig()命令求特征向量;
Sigma协方差矩阵是一个 n×n n × n 矩阵;
上述语句输出三个矩阵,我们需要的是 U U 矩阵,也是 n×n n × n 矩阵;
U U 矩阵的列就是我们需要的向量: U=[u(1),u(2),⋯,u(n)]∈Rn×n U = [ u ( 1 ) , u ( 2 ) , ⋯ , u ( n ) ] ∈ R n × n ;
⇒ ⇒ 提取 U U 矩阵的前 k k 列向量组成矩阵 Ureduce=[u(1),u(2),⋯,u(k)]∈Rn×k U r e d u c e = [ u ( 1 ) , u ( 2 ) , ⋯ , u ( k ) ] ∈ R n × k
Octave O c t a v e 代码:Ureduce=U(:,1:k);
⇒ ⇒ 我们的目的是 x∈Rn→z∈Rk x ∈ R n → z ∈ R k , z=UreduceTx z = U r e d u c e T x
其中, UreduceT∈Rk×n,x∈Rn×1 U r e d u c e T ∈ R k × n , x ∈ R n × 1 ,所以 z∈Rk z ∈ R k
Octave O c t a v e 代码:z=Ureduce'*x;
注:使用PCA算法, x∈Rn x ∈ R n ,没有 x0=1 x 0 = 1 这一项。
PCA算法压缩数据的原始数据重构:
由上已知: z=UreduceTx z = U r e d u c e T x ,我们现在需要 z∈Rk→x∈Rn z ∈ R k → x ∈ R n
所以: xapprox=Ureducez≈x x a p p r o x = U r e d u c e z ≈ x , Ureduce U r e d u c e 为 n×k n × k 矩阵, z z 为 k×1 k × 1 向量,故 xapprox x a p p r o x 为 n×1 n × 1 向量。
PCA算法中,把 n n 维特征变量降维到 k k 维特征变量, k k 也被称为主成分的数量。
如何选择 k k ?
两个定义:
平均平方映射误差: 1m∑i=1m∥x(i)−x(i)approx∥2 1 m ∑ i = 1 m ‖ x ( i ) − x a p p r o x ( i ) ‖ 2 ,表示样本 x x 和其在低维平面映射点之间的距离的平方的均值。
数据的总变差: 1m∑i=1m∥x(i)∥2 1 m ∑ i = 1 m ‖ x ( i ) ‖ 2 ,训练样本长度的平方的均值,表示训练样本与 0 0 向量的平均距离。
选择 k k 的法则:
使
算法:
⇒ ⇒ 用 k=1 k = 1 尝试PCA算法:
计算 Ureduce,z(1),z(2),⋯,z(m),x(1)approx,⋯,x(m)approx U r e d u c e , z ( 1 ) , z ( 2 ) , ⋯ , z ( m ) , x a p p r o x ( 1 ) , ⋯ , x a p p r o x ( m ) ;
⇒ ⇒ 检查 1m∑i=1m∥x(i)−x(i)approx∥21m∑i=1m∥x(i)∥2 1 m ∑ i = 1 m ‖ x ( i ) − x a p p r o x ( i ) ‖ 2 1 m ∑ i = 1 m ‖ x ( i ) ‖ 2 是否 ⩽0.01 ⩽ 0.01 ;
⇒ ⇒ 若符合条件,取 k=1 k = 1 ,若不符合条件, k++ k + + ,直到找到满足条件的最小的 k k 值。
上述算法的计算过于繁杂,对该算法进行改进。
改进版算法:
⇒ ⇒ 执行语句[U,S,V]=svd(Sigma)
会得到 S S 矩阵;
S S 矩阵是一个正方形矩阵,形式为 ⎡⎣⎢⎢⎢⎢⎢S11S22⋱Snn⎤⎦⎥⎥⎥⎥⎥ [ S 11 S 22 ⋱ S n n ]
⇒ ⇒ 对于给定的 k k 值,只需满足 1−∑i=1kSii∑i=1nSii⩽0.01 1 − ∑ i = 1 k S i i ∑ i = 1 n S i i ⩽ 0.01 即 ∑i=1kSii∑i=1nSii⩾0.99 ∑ i = 1 k S i i ∑ i = 1 n S i i ⩾ 0.99
⇒ ⇒ 不断增加 k k 的取值来寻求满足的条件的最小 k k 值。
当使用特定的 k k 值时,也可以用 ∑i=1kSii∑i=1nSii ∑ i = 1 k S i i ∑ i = 1 n S i i 来表示PCA算法性能。
PCA算法应用
⋆ ⋆ 监督学习算法加速
⇒ ⇒ 存在样本集 {(x(1),y(1)),(x(2),y(2)),⋯,(x(m),y(m))} { ( x ( 1 ) , y ( 1 ) ) , ( x ( 2 ) , y ( 2 ) ) , ⋯ , ( x ( m ) , y ( m ) ) } ;
⇒ ⇒ 提取出输入特征值,无标签数据集 {x(1),x(2),⋯,x(m)}∈R10000 { x ( 1 ) , x ( 2 ) , ⋯ , x ( m ) } ∈ R 10000 ;
⇒ ⇒ 执行PCA算法,得到数据集 {z(1),z(2),⋯,z(m)}∈R1000 { z ( 1 ) , z ( 2 ) , ⋯ , z ( m ) } ∈ R 1000 ;
⇒ ⇒ 形成新的训练样本: {(z(1),y(1)),(z(2),y(2)),⋯,(z(m),y(m))} { ( z ( 1 ) , y ( 1 ) ) , ( z ( 2 ) , y ( 2 ) ) , ⋯ , ( z ( m ) , y ( m ) ) } ;
⇒ ⇒ 提出基于新训练样本的假设函数 hθ(z) h θ ( z ) 。
注: x(i)→z(i) x ( i ) → z ( i ) 的映射关系是通过在训练集上运行PCA算法定义的,这个映射关系同样适用于交叉验证集和测试集的输入特征值。
常见的PCA算法应用:
PCA算法误用
∗ ∗ 避免过拟合
用 z(i) z ( i ) 代替 x(i) x ( i ) 来减少特征数量: n→k n → k ,且 k<n k < n ;
因为特征值越少,似乎越不容易过拟合;
这方法可能会有作用,但并不是好方法,避免过拟合应该用正则化方法。
∗ ∗ 在设计机器学习系统时,直接使用PCA算法
建议:在执行PCA算法前,首先在原始数据 x(i) x ( i ) 上执行相关算法,只有当算法收敛缓慢,占用内存/磁盘空间很大时,再执行PCA算法,使用 z(i) z ( i ) 计算。