再见,PCA 主成分分析!
1. 概念:数据降维的数学方法
定义
主成分分析(PCA)是一种统计方法,通过正交变换将一组可能相关的变量转换为一组线性不相关的变量,这组新的变量称为主成分。
大白话,PCA 能够从数据中提取出最重要的特征,通过减少变量的数量来简化模型,同时保留原始数据集中的大部分信息。
特点
PCA 是最广泛使用的数据降维技术之一,能够有效地揭示数据的内部结构,减少分析问题的复杂度。
应用领域
图像处理:图像压缩和特征提取。
金融数据分析:风险管理、股票市场分析。
生物信息学:基因数据分析、疾病预测。
社会科学研究:问卷数据分析、人口研究。
2 核心原理:方差最大化
方差最大化:
PCA 通过找到数据方差最大的方向来确定主成分,然后找到次大方向,且这些方向必须是相互正交的。
这样做的目的是保证降维后的数据能够保留最多的原始数据信息。
计算步骤:
数据标准化:使得每个特征的平均值为 0,方差为 1。
计算协方差矩阵:反映变量之间的相关性。
计算协方差矩阵的特征值和特征向量:特征向量决定了 PCA 的方向,特征值决定了方向的重要性。
选择主成分:根据特征值的大小,选择最重要的几个特征向量,构成新的特征空间。
3 优缺点分析
优点:
降维效果显著:能够有效地减少数据的维度,同时尽可能地保留原始数据的信息。
揭示数据结构:有助于发现数据中的模式和结构,便于进一步分析。
无需标签数据:PCA 是一种无监督学习算法,不需要数据标签。
缺点:
线性限制:PCA 只能捕捉到数据的线性关系和结构,对于非线性结构无能为力。
方差并非信息量的唯一衡量:有时候数据的重要性并不仅仅体现在方差上,PCA 可能会忽略掉一些重要信息。
对异常值敏感:异常值可能会对 PCA 的结果产生较大影响。
4 PCA 实战
介绍一个用于主成分分析的 Python 库
PCA 的核心是构建在 sklearn 功能之上,以便在与其他包结合时实现最大的兼容性。
除了常规的 PCA 外,它还可以执行 SparsePCA 和 TruncatedSVD。
其他功能包括:
使用 Biplot 绘制载荷图
确定解释的方差
提取性能最佳的特征
使用载荷绘制的散点图
使用 Hotelling T2 和/或 SPE/Dmodx 进行异常值检测
下面我们使用 sklearn 里面的 PCA 工具,在一组人脸数据上直观感受下,
我们保留了前 50 个主成分
通过可视化对比图直观感受下,信息保留了多多少,损失了多少
通过对比图可以看到,某一张人脸的基本信息都保留了下来
如果保留 前 100 个主成分,那就更接近原始图片了
你也可以试下,保留 1 个主成分会怎样?通过保留的信息你还认得出来哪过大侠是哪过吗
文章转载自:算法金「全网同名」
评论