【机器学习】PCA推导

【机器学习】PCA推导


PCA(主成分分析)是一种线性降维方式,它基于最大重构性对数据进行降维。

记数据集为Xm×nX_{m\times n}Xm×n,其中mmm为样本数量,nnn为原始特征空间的特征维数。设线性变换矩阵为Wn×dW_{n\times d}Wn×d,其中列向量之间彼此正交,且模长为1。则降维后的样本Z=XWZ=XWZ=XW, 重构损失可以表示为 loss=∣∣X−XWWT∣∣F2loss = || X-XWW^T||_{F}^{2}loss=XXWWTF2.
arg⁡min⁡θ∣∣X−XWWT∣∣F2=arg⁡min⁡θtr[(X−XWWT)(X−XWWT)T]=arg⁡min⁡θtr[(X−XWWT)(XT−WWTXT)]=arg⁡min⁡θtr(XXT−2XWWTXT−XWWTWWTXT)=arg⁡min⁡θtr(XXT−2XWWTXT+XWWTXT)(因为WTW=Ed×d))=arg⁡min⁡θtr(XXT−XWWTXT)=arg⁡min⁡θtr(−XWWTXT)=arg⁡max⁡θtr(XWWTXT)=arg⁡max⁡θtr[WT(XTX)W]\begin{aligned} &\mathop{\arg\min}\limits_{\theta} || X-XWW^T||_{F}^{2}\\ =&\mathop{\arg\min}\limits_{\theta} tr[(X-XWW^T)(X-XWW^T)^T]\\ =&\mathop{\arg\min}\limits_{\theta} tr[(X-XWW^T)(X^T-WW^TX^T)]\\ =&\mathop{\arg\min}\limits_{\theta} tr(XX^T-2XWW^TX^T-XWW^TWW^TX^T)\\ =&\mathop{\arg\min}\limits_{\theta} tr(XX^T-2XWW^TX^T+XWW^TX^T)(因为W^TW=E_{d\times d}))\\ =&\mathop{\arg\min}\limits_{\theta} tr(XX^T-XWW^TX^T)\\ =&\mathop{\arg\min}\limits_{\theta} tr(-XWW^TX^T)\\ =&\mathop{\arg\max}\limits_{\theta} tr(XWW^TX^T)\\ =&\mathop{\arg\max}\limits_{\theta} tr[W^T(X^TX)W]\\ \end{aligned}========θargminXXWW

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值