降维算法-PCA主成分分析
1、PCA算法介绍
主成分分析(Principal Components Analysis),简称PCA,是一种数据降维技术,用于数据预处理。一般我们获取的原始数据维度都很高,比如1000个特征,在这1000个特征中可能包含了很多无用的信息或者噪声,真正有用的特征才100个,那么我们可以运用PCA算法将1000个特征降到100个特征。这样不仅可以去除无用的噪声,还能减少很大的计算量。
PCA算法是如何实现的?
简单来说,就是将数据从原始的空间中转换到新的特征空间中,例如原始的空间是三维的(x,y,z),x、y、z分别是原始空间的三个基,我们可以通过某种方法,用新的坐标系(a,b,c)来表示原始的数据,那么a、b、c就是新的基,它们组成新的特征空间。在新的特征空间中,可能所有的数据在c上的投影都接近于0,即可以忽略,那么我们就可以直接用(a,b)来表示数据,这样数据就从三维的(x,y,z)降到了二维的(a,b)。
问题是如何求新的基(a,b,c)?
一般步骤是这样的:先对原始数据零均值化,然后求协方差矩阵,接着对协方差矩阵求特征向量和特征值,这些特征向量组成了新的特征空间。具体的细节,推荐Andrew Ng的网页教程:Ufldl 主成分分析 ,写得很详细。
(1)零均值化
1 def zeroMean(dataMat): 2 meanVal=np.mean(dataMat,axis=0) #按列求均值,即求各个特征的均值 3 newData=dataMat-meanVal 4 return newData,meanVal
该函数返回两个变量,newData是零均值化后的数据,meanVal是每个特征的均值,是给后面重构数据用的。
(2)求协方差矩阵
1 newData,meanVal=zeroMean(dataMat) 2 covMat=np.cov(newData,rowvar=0)
numpy中的cov函数用于求协方差矩阵,参数rowvar很重要!若rowvar=0,说明传入的数据一行代表一个样本,若非0,说明传入的数据一列代表一个样本。因为newData每一行代表一个样本,所以将rowvar设置为0。
covMat即所求的协方差矩阵。
(3)求特征值、特征矩阵
调用numpy中的线性代数模块linalg中的eig函数,可以直接由covMat求得特征值和特征向量:
1 eigVals,eigVects=np.linalg.eig(np.mat(covMat))
eigVals存放特征值,行向量。
eigVects存放特征向量,每一列带别一个特征向量。
特征值和特征向量是一一对应的
(4)保留主要的成分[即保留值比较大的前n个特征]
第三步得到了特征值向量eigVals,假设里面有m个特征值,我们可以对其排序,排在前面的n个特征值所对应的特征向量就是我们要保留的,它们组成了新的特征空间的一组基n_eigVect。将零均值化后的数据乘以n_eigVect就可以得到降维后的数据。代码如下:
1 eigValIndice=np.argsort(eigVals) #对特征值从小到大排序 2 n_eigValIndice=eigValIndice[-1:-(n+1):-1] #最大的n个特征值的下标 3 n_eigVect=eigVects[:,n_eigValIndice] #最大的n个特征值对应的特征向量 4 lowDDataMat=newData*n_eigVect #低维特征空间的数据 5 reconMat=(lowDDataMat*n_eigVect.T)+meanVal #重构数据 6 return lowDDataMat,reconMat
代码中有几点要说明一下,首先argsort对特征值是从小到大排序的,那么最大的n个特征值就排在后面,所以eigValIndice[-1:-(n+1):-1]就取出这个n个特征值对应的下标。【python里面,list[a:b:c]代表从下标a开始到b,步长为c。】
reconMat是重构的数据,乘以n_eigVect的转置矩阵,再加上均值meanVal。
OK,这四步下来就可以从高维的数据dataMat得到低维的数据lowDDataMat,另外,程序也返回了重构数据reconMat,有些时候reconMat课便于数据分析。
贴一下总的代码:
1 #零均值化 2 def zeroMean(dataMat): 3 meanVal=np.mean(dataMat,axis=0) #按列求均值,即求各个特征的均值 4 newData=dataMat-meanVal 5 return newData,meanVal 6 7 def pca(dataMat,n): 8 newData,meanVal=zeroMean(dataMat) 9 covMat=np.cov(newData,rowvar=0) #求协方差矩阵,return ndarray;若rowvar非0,一列代表一个样本,为0,一行代表一个样本 10 11 eigVals,eigVects=np.linalg.eig(np.mat(covMat))#求特征值和特征向量,特征向量是按列放的,即一列代表一个特征向量 12 eigValIndice=np.argsort(eigVals) #对特征值从小到大排序 13 n_eigValIndice=eigValIndice[-1:-(n+1):-1] #最大的n个特征值的下标 14 n_eigVect=eigVects[:,n_eigValIndice] #最大的n个特征值对应的特征向量 15 lowDDataMat=newData*n_eigVect #低维特征空间的数据 16 reconMat=(lowDDataMat*n_eigVect.T)+meanVal #重构数据 17 return lowDDataMat,reconMat
3、选择主成分个数
文章写到这里还没有完,应用PCA的时候,对于一个1000维的数据,我们怎么知道要降到几维的数据才是合理的?即n要取多少,才能保留最多信息同时去除最多的噪声?一般,我们是通过方差百分比来确定n的,这一点在Ufldl教程中说得很清楚,并且有一条简单的公式,下面是该公式的截图:
根据这条公式,可以写个函数,函数传入的参数是百分比percentage和特征值向量,然后根据percentage确定n,代码如下:
1 def percentage2n(eigVals,percentage): 2 sortArray=np.sort(eigVals) #升序 3 sortArray=sortArray[-1::-1] #逆转,即降序 4 arraySum=sum(sortArray) 5 tmpSum=0 6 num=0 7 for i in sortArray: 8 tmpSum+=i 9 num+=1 10 if tmpSum>=arraySum*percentage: 11 return num
那么pca函数也可以重写成百分比版本,默认百分比99%。
1 def pca(dataMat,percentage=0.99): 2 newData,meanVal=zeroMean(dataMat) 3 covMat=np.cov(newData,rowvar=0) #求协方差矩阵,return ndarray;若rowvar非0,一列代表一个样本,为0,一行代表一个样本 4 eigVals,eigVects=np.linalg.eig(np.mat(covMat))#求特征值和特征向量,特征向量是按列放的,即一列代表一个特征向量 5 n=percentage2n(eigVals,percentage) #要达到percent的方差百分比,需要前n个特征向量 6 eigValIndice=np.argsort(eigVals) #对特征值从小到大排序 7 n_eigValIndice=eigValIndice[-1:-(n+1):-1] #最大的n个特征值的下标 8 n_eigVect=eigVects[:,n_eigValIndice] #最大的n个特征值对应的特征向量 9 lowDDataMat=newData*n_eigVect #低维特征空间的数据 10 reconMat=(lowDDataMat*n_eigVect.T)+meanVal #重构数据 11 return lowDDataMat,reconMat
作者:wepon_
来源:CSDN
原文:https://blog.csdn.net/u012162613/article/details/42177327
版权声明:本文为博主原创文章,转载请附上博文链接!