降维:主成分分析

2024-06-16 19:38
文章标签 分析 降维 成分

本文主要是介绍降维:主成分分析,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

主成分分析最大方差理论

主成分分析(PCA)目标是找到数据中的主成分,并利用这些主成分表征原始数据,因而做到降维
在信号领域,认为信号具有较大的方差,噪声具有较小的方差,信号与噪声之比称为信噪比,信噪比越大意味着数据质量也就越好。进而可以采用最大化投影方差的方法实现PCA的目标。
给定一组数据点 { v 1 , v 2 , ⋯   , v n } \{v_1,v_2,\cdots,v_n\} {v1,v2,,vn},进行中心化表示:
{ x 1 , x 2 , ⋯   , x n } = { v 1 − μ , v 2 − μ , ⋯   , v n − μ } , μ = 1 n ∑ i = 1 n v i \{x_1,x_2,\cdots,x_n\}=\{v_1-\mu,v_2-\mu,\cdots,v_n-\mu\},\mu=\frac{1}{n}\sum_{i=1}^{n}v_i {x1,x2,,xn}={v1μ,v2μ,,vnμ},μ=n1i=1nvi
目标是找到一个投影方向 ω \omega ω(单位方向向量)使得 { x 1 , x 2 , ⋯   , x n } \{x_1,x_2,\cdots,x_n\} {x1,x2,,xn} ω \omega ω上的投影方差尽可能大,投影后的均值为
μ ′ = 1 n ∑ i = 1 n x i T ω = ( 1 n ∑ i = 1 n x i T ) ω = 0 \mu'=\frac{1}{n}\sum_{i=1}^{n}x_i^T\omega=(\frac{1}{n}\sum_{i=1}^{n}x_i^T)\omega=0 μ=n1i=1nxiTω=(n1i=1nxiT)ω=0此时,投影后的方差可以表示为
D ( x ) = 1 n ∑ i = 1 n ( x i T ω ) 2 = ω T ( 1 n ∑ i = 1 n x i x i T ) ω D(x)=\frac{1}{n}\sum_{i=1}^{n}(x_i^T\omega)^2=\omega^T(\frac{1}{n}\sum_{i=1}^{n}x_ix_i^T)\omega D(x)=n1i=1n(xiTω)2=ωT(n1i=1nxixiT)ω
1 n ∑ i = 1 n x i x i T \frac{1}{n}\sum_{i=1}^{n}x_ix_i^T n1i=1nxixiT是样本协方差矩阵,记为 Σ \Sigma Σ.
PCA求解下述最大化问题
max ⁡ ω T Σ ω , s . t . ω T ω = 1 \max{\omega^T\Sigma\omega},s.t.\omega^T\omega=1 maxωTΣω,s.t.ωTω=1引入拉格朗日乘子,可以推出 Σ ω = λ ω \Sigma\omega=\lambda\omega Σω=λω,此时有
D ( x ) = ω T Σ ω = λ ω T ω = λ D(x)=\omega^T\Sigma\omega=\lambda\omega^T\omega=\lambda D(x)=ωTΣω=λωTω=λ x x x投影后的方差为协方差矩阵的特征值,找到的最大方差也就是协方差矩阵最大的特征值,最佳投影方向是相应的特征向量。可以推出次佳投影方向是第二大特征值对应的特征向量,依此类推。
总结归纳PCA求解过程:

  • 求样本协方差矩阵
  • 求解协方差矩阵特征值
  • 根据需求,取前 k k k大特征值所对应的特征向量 ω 1 , ω 2 , ⋯   , ω k \omega_1,\omega_2,\cdots,\omega_k ω1,ω2,,ωk,投影得到样本的 k k k维表示
    x i ′ = ( ω 1 T x i , ω 2 T x i , ⋯   , ω k T x i ) T x_i'=(\omega^T_1x_i,\omega^T_2x_i,\cdots,\omega^T_kx_i)^T xi=(ω1Txi,ω2Txi,,ωkTxi)T

这篇关于降维:主成分分析的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1067357

相关文章

Spring事务中@Transactional注解不生效的原因分析与解决

《Spring事务中@Transactional注解不生效的原因分析与解决》在Spring框架中,@Transactional注解是管理数据库事务的核心方式,本文将深入分析事务自调用的底层原理,解释为... 目录1. 引言2. 事务自调用问题重现2.1 示例代码2.2 问题现象3. 为什么事务自调用会失效3

找不到Anaconda prompt终端的原因分析及解决方案

《找不到Anacondaprompt终端的原因分析及解决方案》因为anaconda还没有初始化,在安装anaconda的过程中,有一行是否要添加anaconda到菜单目录中,由于没有勾选,导致没有菜... 目录问题原因问http://www.chinasem.cn题解决安装了 Anaconda 却找不到 An

Spring定时任务只执行一次的原因分析与解决方案

《Spring定时任务只执行一次的原因分析与解决方案》在使用Spring的@Scheduled定时任务时,你是否遇到过任务只执行一次,后续不再触发的情况?这种情况可能由多种原因导致,如未启用调度、线程... 目录1. 问题背景2. Spring定时任务的基本用法3. 为什么定时任务只执行一次?3.1 未启用

C++ 各种map特点对比分析

《C++各种map特点对比分析》文章比较了C++中不同类型的map(如std::map,std::unordered_map,std::multimap,std::unordered_multima... 目录特点比较C++ 示例代码 ​​​​​​代码解释特点比较1. std::map底层实现:基于红黑

Spring、Spring Boot、Spring Cloud 的区别与联系分析

《Spring、SpringBoot、SpringCloud的区别与联系分析》Spring、SpringBoot和SpringCloud是Java开发中常用的框架,分别针对企业级应用开发、快速开... 目录1. Spring 框架2. Spring Boot3. Spring Cloud总结1. Sprin

Spring 中 BeanFactoryPostProcessor 的作用和示例源码分析

《Spring中BeanFactoryPostProcessor的作用和示例源码分析》Spring的BeanFactoryPostProcessor是容器初始化的扩展接口,允许在Bean实例化前... 目录一、概览1. 核心定位2. 核心功能详解3. 关键特性二、Spring 内置的 BeanFactory

MyBatis-Plus中Service接口的lambdaUpdate用法及实例分析

《MyBatis-Plus中Service接口的lambdaUpdate用法及实例分析》本文将详细讲解MyBatis-Plus中的lambdaUpdate用法,并提供丰富的案例来帮助读者更好地理解和应... 目录深入探索MyBATis-Plus中Service接口的lambdaUpdate用法及示例案例背景

MyBatis-Plus中静态工具Db的多种用法及实例分析

《MyBatis-Plus中静态工具Db的多种用法及实例分析》本文将详细讲解MyBatis-Plus中静态工具Db的各种用法,并结合具体案例进行演示和说明,具有很好的参考价值,希望对大家有所帮助,如有... 目录MyBATis-Plus中静态工具Db的多种用法及实例案例背景使用静态工具Db进行数据库操作插入

Go使用pprof进行CPU,内存和阻塞情况分析

《Go使用pprof进行CPU,内存和阻塞情况分析》Go语言提供了强大的pprof工具,用于分析CPU、内存、Goroutine阻塞等性能问题,帮助开发者优化程序,提高运行效率,下面我们就来深入了解下... 目录1. pprof 介绍2. 快速上手:启用 pprof3. CPU Profiling:分析 C

MySQL表锁、页面锁和行锁的作用及其优缺点对比分析

《MySQL表锁、页面锁和行锁的作用及其优缺点对比分析》MySQL中的表锁、页面锁和行锁各有特点,适用于不同的场景,表锁锁定整个表,适用于批量操作和MyISAM存储引擎,页面锁锁定数据页,适用于旧版本... 目录1. 表锁(Table Lock)2. 页面锁(Page Lock)3. 行锁(Row Lock