线性代数——PCA主成分分析计算步骤

本文不会深究原理，如果有时间我会把原理补上，这篇文章主要是讲主成分分析的计算步骤。

在开始详细介绍PCA算法前，我们先来复习一下线性代数中几个重要的概念

线性代数概念复习

向量的内积

假设$\vec{a}=\left[\begin{array}{c}{a}_1\\ a_2\\ ...\\ a_n\end{array}\right]$,$\vec{b}=\left[\begin{array}{c}{a}_1\\ a_2\\ ...\\ a_n\end{array}\right]$
那么
$$\vec{a}\cdot \vec{b}=a_1{b}_1+a_2{b}_2+...+a_n{b}_n$$

$\vec{a}$的模记为：$|\vec{a}|=\sqrt{\vec{a}\cdot \vec{a}}$
$$\vec{a}\cdot \vec{b}=|\vec{a}||\vec{b}|cos\theta$$
假设$\vec{b}$的模为1，即单位向量，那么$\vec{a}\cdot \vec{b}=|\vec{a}|cos\theta$，实际上，内积就是$\vec{a}$在$\vec{b}$方向上的投影的长度。

如果$\vec{a}\cdot \vec{b}=0$，表示$\vec{a}$和$\vec{b}$正交，也就是线性无关。

基

在线性代数中，基（也称为基底）是描述、刻画向量空间的基本工具。向量空间的基是它的一个特殊的子集，基的元素称为基向量。向量空间中任意一个元素，都可以唯一地表示成基向量的线性组合。如果基中元素个数有限，就称向量空间为有限维向量空间，将元素的个数称作向量空间的维数。

向量空间V的一组向量若满足
1）线性无关
2）V中任一向量可由此向量线性表出，则称该组向量V中的一个基（亦称基底）。
一个向量空间的基有很多，但每个基所含向量个数却是个定数。

例如

上图的一组基是$(1,0)$和$(0,1)$，向量$\vec{a}=(3,2)=3(1,0)+2(0,1)$

假设又有一组新的基$(0.5,0.5)$和$(-0.5,0.5)$，那么原来的向量$\vec{a}$应该怎么表示？

$\vec{a}$在新的基$(0.5,0.5)$上的投影为$(0.5,0.5)\cdot (3,2{)}^T=2.5$，在$(0.5,-0.5)$上的投影为$(-0.5,0.5)\cdot (3,2{)}^T=-0.5$，所以$\vec{a}$在新的基上为$(2.5,-0.5)$
也可以用矩阵计算：
$$\left[\begin{array}{cc}0.5& 0.5\\ -0.5& 0.5\end{array}\right]\left[\begin{array}{c}3\\ 2\end{array}\right]=\left[\begin{array}{c}2.5\\ -0.5\end{array}\right]$$
假设$\left[\begin{array}{c}{p}_1\\ p_2\\ ...\\ p_r\end{array}\right]$是n组新的基，$\left[\begin{array}{cccc}{a}_1& a_2& ...& a_m\end{array}\right]$是m个样本，那么m个样本在n组基表达为：
$$\left[\begin{array}{c}{p}_1\\ p_2\\ ...\\ p_r\end{array}\right]\left[\begin{array}{cccc}{a}_1& a_2& ...& a_m\end{array}\right]={\left[\begin{array}{cccc}{p}_1{a}_1& p_1{a}_2& ...& p_1{a}_m\\ p_2{a}_1& p_2{a}_2& ...& p_2{a}_m\\ ...& ...& ...& ...\\ p_r{a}_1& p_r{a}_2& ...& p_r{a}_m\end{array}\right]}_{r\times m}$$

协方差矩阵

假设两个向量x和y，他们的协方差的公式为：
$$Cov(x,y)=\frac{{\Sigma }_{i=1}^n(x_i-\bar{x})(y_i-\bar{y})}{n}$$
也可以写成：
$$Cov(x,y)=E[(x-E[x])(y-E[y])]$$
$$=E[xy]-2E[y]E[x]+E[x]E[y]=E[xy]-E[x][y]$$
协方差矩阵为：
$$C=\left[\begin{array}{ccc}Cov(x,x)& Cov(x,y)& Cov(x,z)\\ Cov(y,x)& Cov(y,y)& Cov(y,z)\\ Cov(z,x)& Cov(z,y)& Cov(z,z)\end{array}\right]$$
其中$Cov(x,x)=Var(x)$，$Cov(x,y)=Cov(y,x)$

实对称矩阵

我们可以看到，协方差矩阵是一个实对称矩阵。
1.实对称矩阵$A$的不同特征值对应的特征向量是正交的。
2.实对称矩阵$A$的特征值都是实数，特征向量都是实向量。
3.n阶实对称矩阵$A$必可相似对角化，且相似对角阵上的元素即为矩阵本身特征值。

特征值和特征向量

设$A$是n阶方阵，若存在数$\lambda$和非零向量$x$，使得$Ax=\lambda x$，则称：
$\lambda$是$A$的一个特征值
$x$是$A$是对应的$\lambda$的特征向量。

因为$Ax=\lambda x\Rightarrow (A-\lambda E)x=0$，因为$x$是非零向量，所以$|A-\lambda E|=0$

下面直接用一个例子来说明如何求特征值和特征向量。

例：求$A=\left[\begin{array}{ccc}-1& 1& 0\\ -4& 3& 0\\ 1& 0& 2\end{array}\right]$的特征值和特征向量。
解：先求特征值，相当于求：
$$|A-\lambda E|=\left|\begin{array}{ccc}-1-\lambda & 1& 0\\ -4& 3-\lambda & 0\\ 1& 0& 2-\lambda \end{array}\right|=(2-\lambda )(\lambda -1{)}^2=0$$
所以特征值为$\lambda =2,1$

当$\lambda =2$时，$(A-2E)x=0$

$\Rightarrow \left[\begin{array}{ccc}-3& 1& 0\\ -4& 1& 0\\ 1& 0& 0\end{array}\right]x=0$

矩阵行简化阶梯型求解方程：

$\Rightarrow \left[\begin{array}{ccccc}-3& 1& 0& |& 0\\ -4& 1& 0& |& 0\\ 1& 0& 0& |& 0\end{array}\right]$

$\Rightarrow \left[\begin{array}{ccccc}-3& 1& 0& |& 0\\ -4& 1& 0& |& 0\\ 1& 0& 0& |& 0\end{array}\right]$

$\Rightarrow \left[\begin{array}{ccccc}1& 0& 0& |& 0\\ 0& 1& 0& |& 0\\ 0& 0& 0& |& 0\end{array}\right]$

$\Rightarrow x_1=0,x_2=0$

得基础解系：

$p_1=\left[\begin{array}{c}0\\ 0\\ 1\end{array}\right]$

当$\lambda =1$时，$(A-2E)x=0$

$\Rightarrow \left[\begin{array}{ccc}-2& 1& 0\\ -4& 2& 0\\ 1& 0& 1\end{array}\right]x=0$

矩阵行简化阶梯型求解方程：

$\Rightarrow \left[\begin{array}{ccccc}-2& 1& 0& |& 0\\ -4& 2& 0& |& 0\\ 1& 0& 1& |& 0\end{array}\right]$

$\Rightarrow \left[\begin{array}{ccccc}1& 0& 1& |& 0\\ 0& 1& 2& |& 0\\ 0& 0& 0& |& 0\end{array}\right]$

$\Rightarrow x_1+x_3=0,x_2+2x_3=0$

得基础解系：

$p_2=\left[\begin{array}{c}-1\\ -2\\ 1\end{array}\right]$

主成分分析的计算步骤

主成分分析的主要步骤为：

1. 原始数据减去平均值，使数据的均值变为0
2. 计算协方差矩阵
3. 计算协方差矩阵的特征值和特征向量
4. 将特征值从大到小排序
5. 保留最前面的k个特征向量
6. 将数据转换到上述k个特征向量构建的新空间中。

下面我们直接用实际例子来看主成分分析的计算步骤。

例子：求$A=\left[\begin{array}{ccccc}0& 0& 1& 3& 1\\ -4& -2& -2& -1& -1\end{array}\right]$的主成分
解：

可以看到原始数据是一个2维数组，共有5个样本。

1. 原始数据减去平均值，使数据的均值变为0

第一个变量的均值为1，第二个变量的均值是-2，分别减去均值后，得到如下数据，后面的计算都会基于下面的矩阵进行计算：
$$A^{\prime }=\left[\begin{array}{ccccc}-1& -1& 0& 2& 0\\ -2& 0& 0& 1& 1\end{array}\right]$$

2. 计算协方差矩阵

协方差的计算公式为： $Cov(x,y)=\frac{{\Sigma }_{i=1}^n(x_i-\bar{x})(y_i-\bar{y})}{n}$
由第一步我们已经知道$\bar{x}=0,\bar{y}=0$，所以：$Cov(x,y)=\frac{{\Sigma }_{i=1}^n{x}_i{y}_i}{n}$

所以协方差矩阵$$C=A^{\prime }{A}^{\prime T}=\frac{1}{5}\left[\begin{array}{ccccc}-1& -1& 0& 2& 0\\ -2& 0& 0& 1& 1\end{array}\right]\left[\begin{array}{cc}-1& -2\\ -1& 0\\ 0& 0\\ 2& 1\\ 0& 1\end{array}\right]=\left[\begin{array}{cc}\frac{6}{5}& \frac{4}{5}\\ \frac{4}{5}& \frac{6}{5}\end{array}\right]$$

3. 计算协方差矩阵的特征值和特征向量

$$|C-\lambda E|=\left|\begin{array}{cc}\frac{6}{5}-\lambda & \frac{4}{5}\\ \frac{4}{5}& \frac{6}{5}-\lambda \end{array}\right|=(\frac{6}{5}-\lambda {)}^2-(\frac{4}{5}{)}^2=(\frac{6}{5}-\lambda -\frac{4}{5})(\frac{6}{5}-\lambda +\frac{4}{5})=0$$
所以特征值为${\lambda }_1=2,{\lambda }_2=\frac{2}{5}$

当$\lambda =2$时，$(C-2E)x=0$

$\Rightarrow \left[\begin{array}{cc}-\frac{4}{5}& \frac{4}{5}\\ \frac{4}{5}& -\frac{4}{5}\end{array}\right]x=0$

矩阵行简化阶梯型求解方程：

$\Rightarrow \left[\begin{array}{cccc}-\frac{4}{5}& \frac{4}{5}& |& 0\\ \frac{4}{5}& -\frac{4}{5}& |& 0\end{array}\right]$

$\Rightarrow \left[\begin{array}{cccc}1& -1& |& 0\\ 0& 0& |& 0\end{array}\right]$

$\Rightarrow x_1-x_2=0$

得基础解系：

$p_1=\left[\begin{array}{c}1\\ 1\end{array}\right]$

当$\lambda =\frac{2}{5}$时，$(C-\frac{2}{5}E)x=0$

$\Rightarrow \left[\begin{array}{cc}\frac{4}{5}& \frac{4}{5}\\ \frac{4}{5}& \frac{4}{5}\end{array}\right]x=0$

矩阵行简化阶梯型求解方程：

$\Rightarrow \left[\begin{array}{cccc}\frac{4}{5}& \frac{4}{5}& |& 0\\ \frac{4}{5}& \frac{4}{5}& |& 0\end{array}\right]$

$\Rightarrow \left[\begin{array}{cccc}1& 1& |& 0\\ 0& 0& |& 0\end{array}\right]$

$\Rightarrow x_1+x_2=0$

得基础解系：

$p_2=\left[\begin{array}{c}1\\ -1\end{array}\right]$

因为基的模都是1，所以:
$p_1^{\prime }=\frac{p_1}{|p_1|}=\frac{1}{\sqrt{2}}\left[\begin{array}{c}1\\ 11\end{array}\right]=\left[\begin{array}{c}\frac{1}{\sqrt{2}}\\ \frac{1}{\sqrt{2}}\end{array}\right]$
$p_2^{\prime }=\frac{p_2}{|p_2|}=\frac{1}{\sqrt{2}}\left[\begin{array}{c}1\\ -1\end{array}\right]=\left[\begin{array}{c}\frac{1}{\sqrt{2}}\\ -\frac{1}{\sqrt{2}}\end{array}\right]$
4. 将特征值从大到小排序

所以特征值为${\lambda }_1=2,{\lambda }_2=\frac{2}{5}$，${\lambda }_1>{\lambda }_2$

5. 保留最前面的k个特征向量
在这个例子中，我们只保留一个特征向量，即${\lambda }_1=2$对应的$p_1^{\prime }=\left[\begin{array}{c}\frac{1}{\sqrt{2}}\\ \frac{1}{\sqrt{2}}\end{array}\right]$

6. 将数据转换到上述k个特征向量构建的新空间中。

数据转化为$$Y=p_1^{\prime T}{A}^{\prime }=\left[\begin{array}{cc}\frac{1}{\sqrt{2}}& \frac{1}{\sqrt{2}}\end{array}\right]\left[\begin{array}{ccccc}-1& -1& 0& 2& 0\\ -2& 0& 0& 1& 1\end{array}\right]=\left[\begin{array}{ccccc}-\frac{3}{\sqrt{2}}& -\frac{1}{\sqrt{2}}& 0& \frac{3}{\sqrt{2}}& -\frac{1}{\sqrt{2}}\end{array}\right]$$