大侠幸会,在下全网同名[算法金] 0 基础转 AI 上岸,多个算法赛 Top [日更万日,让更多人享受智能乐趣]
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
pip install pca
from pca import pca # 导入PCA模块
import numpy as np
import pandas as pdDataset
from sklearn.datasets import load_iris # 导入鸢尾花数据集
从鸢尾花数据集中创建DataFrame对象
X = pd.DataFrame(data=load_iris().data, columns=load_iris().feature_names, index=load_iris().target)
初始化PCA模型,指定主成分数量为3,并进行数据标准化
model = pca(n_components=3, normalize=True)
拟合并转换数据
out = model.fit_transform(X)
创建只包含方向的图
fig, ax = model.biplot(textlabel=True, legend=False, figsize=(10, 6))
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,
# 导入必要的库
import numpy as np
import matplotlib.pyplot as plt
from sklearn.datasets import fetch_olivetti_faces
from sklearn.decomposition import PCA
# 加载Olivetti人脸数据集
faces_data = fetch_olivetti_faces()
X = faces_data.data
# 可视化原始图像和对应的主成分
n_images = 4 # 每行显示的图像数量
n_rows = 4 # 总共的行数
fig, axes = plt.subplots(n_rows, 2*n_images, figsize=(16, 10), subplot_kw={'xticks':[], 'yticks':[]})
# 使用PCA降维
n_components = 50 # 设置PCA保留的主成分数量
pca = PCA(n_components=n_components, whiten=True, random_state=42)
X_pca = pca.fit_transform(X)
for r in range(n_rows):
for i in range(n_images):
index = r * n_images + i
axes[r, 2*i].imshow(X[index].reshape(64, 64), cmap='gray')
axes[r, 2*i].set_title(f'大侠 {index+1} 图像', fontproperties='SimHei') # 手动设置字体
axes[r, 2*i+1].imshow(pca.inverse_transform(X_pca[index]).reshape(64, 64), cmap='bone')
axes[r, 2*i+1].set_title(f'大侠 {index+1} 主成分', fontproperties='SimHei') # 手动设置字体
plt.tight_layout()
plt.show()
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
[ 算法金,碎碎念 ]
- 最近 【不上班】 这个词频繁出现在朋友圈,貌似很火
- 不上班,站着把钱赚了,大概率不可能的
- 不上班,躺着把钱赚了(别想歪了),更是绝大概率不可能的
- 有些圈子,天然就是靠博眼球来筛选用户,真的很可怕
- 想到了一句话【当大家都有病时,你就不觉得这是病了】
- 在这种圈子呆久了,大概率会沦陷的,别以外自己不会,咱都是普通人
- 大部分人都是普通人,普通人通常都不信概率,而概率恰恰是反映常态 分布的
- 悲剧,卒~
全网同名,日更万日,让更多人享受智能乐趣
烦请大侠多多 分享、在看、点赞,助力算法金又猛又持久、很黄很 BL 的日更下去;我们一起,让更多人享受智能乐趣
同时邀请大侠 关注、星标 算法金,围观日更万日,助你功力大增、笑傲江湖