欢迎关注哈希大数据微信公众号【哈希大数据】
主成分分析（Principal components analysis，以下简称PCA）是最重要的降维方法之一。在数据压缩消除冗余和数据噪音消除等领域都有广泛的应用。一般我们提到降维最容易想到的算法就是PCA，下面我们就对PCA的原理做一个总结。
1.PCA的思想
PCA顾名思义，就是找出数据里最主要的方面，用数据里最主要的方面来代替原始数据。具体的，假如我们的数据集是n维的，共有m个数据
(x(1),x(2),...,x(m))我们希望将这m个数据的维度从n维降到n'维，希望这m个n'维的数据集尽可能的代表原始数据集。我们知道数据从n维降到n'维肯定会有损失，但是我们希望损失尽可能的小。那么如何让这n'维的数据尽可能表示原来的数据呢？
我们先看看最简单的情况，也就是n=2，n=1,也就是将数据从二维降维到一维。数据如下图。我们希望找到某一个维度方向，它可以代表这两个维度的数据。图中列了两个向量方向，u1和u2，那么哪个向量可以更好的代表原始数据集呢？
从直观上也可以看出，u1比u2好。
为什么u1比u2好？可以有两种解释，第一种解释是样本点到这个直线的距离足够近，第二种解释是样本点在这个直线上的投影能尽可能的分开。
假如我们把n从1维推广到任意维，则我们的希望降维的标准为：样本点到这个超平面的距离足够近,或者说样本点在这个超平面上的投影能尽可能的分开。
基于上面的两种标准，我们可以得到PCA的两种等价推导。
2. PCA的推导:基于小于投影距离
我们首先看第一种解释的推导，即样本点到这个超平面的距离足够近。
假设m个n维数据(x(1),x(2),...,x(m))都已经进行了中心化假设m个n维数据(x(1),x(2),...,x(m))都已经进行了中心化，即
经过投影变换后得到的新坐标系为{w1,w2…wn}，其中w是标准正交基，即||w||2=1 ，wiTwj=0。
如果我们将数据从n维降到n'维，即丢弃新坐标系中的部分坐标，则新的坐标系为{w1,w2…wn'},样本点x(i)在n'维坐标系中的投影为：
z(i)=(z1(i),z2(i),...,zn′(i)).其中，zj(i)=wjTx(i)是x(i)在低维坐标系里第j维的坐标。
如果我们用来恢复原始数据，则得到的恢复数据
其中，W为标准正交基组成的矩阵。
现在我们考虑整个样本集，我们希望所有的样本到这个超平面的距离足够近，即最小化下式：
注意到
是一个常量。最小化上式等价于：
这个最小化不难，直接观察也可以发现最小值对应的W由协方差矩阵XXT最大的n'个特征值对应的特征向量组成。当然用数学推导也很容易。利用拉格朗日函数可以得到
这样可以更清楚的看出，W为XXT的n'个特征向量组成的矩阵，而λ为XXT的特征值。当我们将数据集从n维降到n'维时，需要找到最大的n'个特征值对应的特征向量。这n'个特征向量组成的矩阵W即为我们需要的矩阵。对于原始数据集，我们只需要用z(i)=WTx(i),就可以把原始数据集降维到最小投影距离的n'维数据集。
如果你熟悉谱聚类的优化过程，就会发现和PCA的非常类似，只不过谱聚类是求前k个最小的特征值对应的特征向量，而PCA是求前k个最大的特征值对应的特征向量。
3. PCA算法流程
从上面两节我们可以看出，求样本x(i)的n'维的主成分其实就是求样本集的协方差矩阵XXT的前n'个特征值对应特征向量矩阵W，然后对于每个样本x(i),做如下变换z(i)=WTx(i)，即达到降维的PCA目的。
输入：n维样本集D=(x(1),x(2),...,x(m))，要降维到的维数n'.
输出：降维后的样本集D′
- 对所有的样本进行中心化：
- 对矩阵XXT进行特征值分解
4）取出最大的n'个特征值对应的特征向量(w1,w2,...,wn′), 将所有的特征向量标准化后，组成特征向量矩阵W。
5）对样本集中的每一个样本x(i),转化为新的样本z(i)=WTx(i)
- 得到输出样本集D′=(z(1),z(2),...,z(m))
有时候，我们不指定降维后的n'的值，而是换种方式，指定一个降维到的主成分比重阈值t。这个阈值t在（0,1]之间。假如我们的n个特征值为λ则n'可以通过下式得到:
4. PCA实例
下面举一个简单的例子，说明PCA的过程。
假设我们的数据集有10个二维数据(2.5,2.4), (0.5,0.7), (2.2,2.9), (1.9,2.2), (3.1,3.0), (2.3, 2.7), (2, 1.6), (1, 1.1), (1.5, 1.6), (1.1, 0.9)，需要用PCA降到1维特征。
首先我们对样本中心化，这里样本的均值为(1.81, 1.91),所有的样本减去这个均值后，即中心化后的数据集为(0.69, 0.49), (-1.31, -1.21), (0.39, 0.99), (0.09, 0.29), (1.29, 1.09), (0.49, 0.79), (0.19, -0.31), (-0.81, -0.81), (-0.31, -0.31), (-0.71, -1.01)。
现在我们开始求样本的协方差矩阵，由于我们是二维的，则协方差矩阵为：
对于我们的数据，求出协方差矩阵为：
求出特征值为（0.490833989， 1.28402771），
对应的特征向量分别为：
(0.735178656,0.677873399)T
(−0.677873399,−0.735178656)T,由于最大的k=1个特征值为1.28402771，对于的k=1个特征向量为
(−0.677873399,−0.735178656)T. 则我们的
W=(−0.677873399,−0.735178656)T
我们对所有的数据集进行投影z(i)=WTx(i)，得到PCA降维后的10个一维数据集为：
(-0.827970186， 1.77758033， -0.992197494， -0.274210416， -1.67580142， -0.912949103， 0.0991094375， 1.14457216,
0.438046137， 1.22382056)
5. 核主成分分析KPCA介绍
在上面的PCA算法中，我们假设存在一个线性的超平面，可以让我们对数据进行投影。但是有些时候，数据不是线性的，不能直接进行PCA降维。这里就需要用到和支持向量机一样的核函数的思想，先把数据集从n维映射到线性可分的高维N>n,然后再从N维降维到一个低维度n', 这里的维度之间满足n' 使用了核函数的主成分分析一般称之为核主成分分析(Kernelized PCA, 以下简称KPCA。假设高维空间的数据是由n维空间的数据通过映射ϕ产生。 则对于n维空间的特征分解： 映射为： 通过在高维空间进行协方差矩阵的特征值分解，然后用和PCA一样的方法进行降维。一般来说，映射ϕ不用显式的计算，而是在需要计算的时候通过核函数完成。由于KPCA需要核函数的运算，因此它的计算量要比PCA大很多。 7. PCA算法总结 PCA算法的主要优点有： 1）仅仅需要以方差衡量信息量，不受数据集以外的因素影响。 2）各主成分之间正交，可消除原始数据成分间的相互影响的因素。 3）计算方法简单，主要运算是特征值分解，易于实现。 PCA算法的主要缺点有： 1）主成分各个特征维度的含义具有一定的模糊性，不如原始样本特征的解释性强。 2）方差小的非主成分也可能含有对样本差异的重要信息，因降维丢弃可能对后续数据处理有影响。
这里对PCA算法做一个总结。作为一个非监督学习的降维方法，它只需要特征值分解，就可以对数据进行压缩，去噪。因此在实际场景应用很广泛。为了克服PCA的一些缺点，出现了很多PCA的变种，比如第六节的为解决非线性降维的KPCA，还有解决内存限制的增量PCA方法Incremental PCA，以及解决稀疏数据降维的PCA方法Sparse PCA等。