python实现PCA降维

本文包括两部分，使用python实现PCA代码及使用sklearn库实现PCA降维，不涉及原理。

总的来说，对n维的数据进行PCA降维达到k维就是：

1. 对原始数据减均值进行归一化处理；
2. 求协方差矩阵；
3. 求协方差矩阵的特征值和对应的特征向量；
4. 选取特征值最大的k个值对应的特征向量；
5. 经过预处理后的数据乘以选择的特征向量，获得降维结果。

 

实验数据

数据data.txt使用[2]中编写的数据，以下是部分数据截图：

shape为(31, 4)，即31条特征数为4的数据。

 

使用python实现PCA

完整代码参考[2]，这里逐步做详细介绍。

1. 导入数据

import numpy as np
import pandas as pd

datafile = "data.txt"
XMat = np.array(pd.read_csv(datafile,sep=" ",header=None)).astype(np.float)
XMat.shape

(31, 4)

2. 去除平均值

求得XMat每列的平均值：

average = np.mean(XMat, axis=0)
average

array([5.01935484, 3.43870968, 1.47741935, 0.24516129])

扩展均值shape由(1, 4)到(31, 4)： 

# avgs为average的前m=31行，因为average只有1行，因此这31行是一样的
# np.tile(average, (m, 1))表示是二维的,m行4列
m, n = np.shape(XMat)
avgs = np.tile(average, (m, 1))
print(avgs.shape)

# np.tile(average, m)是一维的，有m*4个值
print(np.tile(average, m))
print(np.tile(average, m).shape)

(31, 4)

avgs

 XMat减去其每列均值：

data_adjust = XMat - avgs
data_adjust

3. 求XMat协方差矩阵的特征值和特征向量

因为是4列的数据即4维特征，因此协方差是4x4的：

covX = np.cov(data_adjust.T)
covX

array([[0.1356129 , 0.10022581, 0.01645161, 0.01576344],
       [0.10022581, 0.12245161, 0.00023656, 0.01919355],
       [0.01645161, 0.00023656, 0.03380645, 0.0053871 ],
       [0.01576344, 0.01919355, 0.0053871 , 0.00989247]])

特征值 0.23301081 对应特征向量为第一条列向量 [-0.72506043,-0.67669491,-0.06368499,-0.11097564]，这里的特征向量都归一化为单位向量：

featValue, featVec=  np.linalg.eig(covX)
featValue
featVec

array([0.23301081, 0.04211748, 0.02128637, 0.00534878])array([[-0.72506043, -0.39050501,  0.5585571 ,  0.09903116],
       [-0.67669491,  0.49557031, -0.48975083, -0.23798779],
       [-0.06368499, -0.77541379, -0.58351247, -0.23278934],
       [-0.11097564, -0.02548266, -0.32813302,  0.93774397]])

4. 选择最大的k个特征值对应的k个特征向量

按照特征值从大到小排序,index显示位置： 

index = np.argsort(-featValue)
index

# 下面是从小到大
np.argsort(featValue)

array([0, 1, 2, 3], dtype=int64)array([3, 2, 1, 0], dtype=int64)

因为特征向量是列向量，这里转化成横向量： 

k = 2
selectVec = np.matrix(featVec.T[index[:k]])
selectVec

matrix([[-0.72506043, -0.67669491, -0.06368499, -0.11097564],
        [-0.39050501,  0.49557031, -0.77541379, -0.02548266]])

5. 将样本点投影到选取的特征向量上

即数据集*特征向量的转置：

finalData = data_adjust * selectVec.T # (31, 4) * (4, 2) = (31, 2)
finalData.shape
finalData

6. 计算重构误差[3]

还原对应投影后的数据：

reconData = (finalData * selectVec) + average
print(reconData.shape)
reconData

根据[4]中的：

其中，m是样本个数，即数据的行数31。x是经过去均值处理的原始数据，这里是data_adjust。x(approx)是经过重构后还原的数据，这里是reconData。

求误差平方和，计算err1：

errMat = XMat - reconData
err1 = np.sum(np.array(errMat)**2) / n
err1

0.19976362846119633

计算err2：

err2 = np.sum(data_adjust**2) / n
err2

2.2632258064516138

计算η：

eta = err1/err2
eta

0.0882650011729915

根据[4]，1-η=91%左右，说明该数据取k=2进行PCA降维时，能保留91%以上的信息。

 

使用sklearn库实现PCA降维

PCA的api详见[5]，下面说明一些常用的属性和方法。

from sklearn.decomposition import PCA

pca = PCA(n_components=k)
pca.fit(XMat)

1. n_components参数：

• 默认值为保留所有特征值，即不进行降维：

pca = PCA()
pca.fit(XMat)
pca.explained_variance_

array([0.23301081, 0.04211748, 0.02128637, 0.00534878])

explained_variance_ 即协方差矩阵的k个最大特征值，这里n_components是默认值，因此k=4。

• n_components == 'mle' 时， 会自动确认降维维度，但是好像结果就是n-1（n是原始数据的列数，即特征个数）：

pca.explained_variance_

array([0.23301081, 0.04211748, 0.02128637])

k=3的结果。

• 0 < n_components < 1 时，即指定降维后的 方差和 占比，比例越大，降维后保留的信息越多，会自动确认降维的维度。

当n_components=0.9时是k=2的效果，n_components=0.95时是k=3的效果。

可以通过[6]中的画图来获取想要保留的信息和维度的关系：

import matplotlib.pyplot as plt

def pcaImg(XMat):
    pca=PCA( )
    pca.fit(XMat)
    
    ratio=pca.explained_variance_ratio_
    k = pca.n_components_

    print("pca.n_components_", k)
    # 绘制图形
    x = [i+1 for i in range(k)]
    y = [np.sum(ratio[:i+1]) for i in range(k)]
    print(y)
    plt.plot(x, y)
    plt.xticks(1+np.arange(k,step=1))
    plt.yticks(np.arange(0,1.01,0.05))
    plt.grid()
    plt.show()

pcaImg(XMat)

 

横坐标表示k，纵坐标表示降维后可保留的信息。

可以看到，当k=1时能保留大概77%的信息；k=2时为91%，k=3时为98%，k=4时即没有降维，没有损失信息。

取 n_components = 0.9 时，打印结果：

确实是k=2。

2. components_ 属性

输出k个特征向量，每一行代表一个特征向量：

3. explained_variance_ 属性

输出所选择的k个最大特征值：

4. explained_variance_ratio_ 属性

保留的维度的方差百分比，就是每个特征值占其所有特征值总值的占比：

即k=1时，降维后可保留的信息为77%，k=2时为77%+24%等。

一般来说，占比过小的可以舍弃，即这里取k=2或3较好，具体情况具体分析。

5. n_components_ 属性

即设置的降维维度k：

6. fit_transform(X[, y]) 方法

获得降维后的结果，和 transform(X) 方法差不多：

7. get_covariance() 方法

获得协方差矩阵：

8. inverse_transform(X) 方法

由降维结果返回原始结果：

这里因为k=n，所有还原后就是原始值，实际上当k

 

总结

当数据维度过高时可使用降维手段如PCA，来使得维度变低，避免维度灾难，同时加快运算速度。

PCA降维本质上就是一种信息压缩，如把shape为(31, 4)的数据压缩为(31, 2)。

关于降维维度k的确定，可以使用sklearn中的PCA模块来获取数据的方差百分比，根据以上绘图的方法来确定最佳k值。

有些研究工作表明，所选的主轴总长度占所有主轴长度之和的大约85% 即可。即保留的维度的方差总百分比到达85%以上，但实际效果还是依靠训练之后产生的预测结果的评估来决定。

确定好了k值后，即可快速根据API获取降维后的数据，来进行后续的实验。

 

参考文档

[1] 降维算法一 : PCA (Principal Component Analysis)

[2] 机器学习降维之PCA（python代码+数据）

[3] PCA降维以及维数的确定

[4] PCA主成分数量（降维维度）选择

[5] sklearn.decomposition.PCA

[6] 通过PCA选择合适降维维度