【第二章:机器学习与神经网络概述】02.降维算法理论与实践-(1)主成分分析（Principal Component Analysis, PCA）

第二章: 机器学习与神经网络概述

第二部分：降维算法理论与实践

第一节：主成分分析（Principal Component Analysis, PCA）

内容：协方差矩阵、特征值分解、数据降维。

PCA 是一种经典的线性降维方法，通过找到数据中最重要的方向（主成分），在最大限度保留原始数据信息的前提下，降低维度、去除冗余，常用于数据压缩、可视化、去噪等任务。

一、核心思想

PCA 旨在找到一组新的正交基（主成分），使得原始数据在这些基下的投影具有最大的方差（也即信息量最大）。

二、步骤详解

数据标准化（去中心化）

确保每个特征维度均值为 0：

其中 μ 是每列（特征）的平均值。

计算协方差矩阵

该矩阵反映了各特征之间的线性相关性。

求协方差矩阵的特征值与特征向量

特征向量（v）是新的坐标轴方向；
特征值（λ）表示沿该方向的数据方差大小。

选择前 k 个最大特征值对应的特征向量

构成变换矩阵，用于投影降维。

变换数据

得到降维后的数据。

上图展示了 Iris 数据集标准化后特征的协方差矩阵 热力图：

对角线表示各特征自身的方差（均为 1，因为已标准化）；
非对角线反映特征之间的线性相关性：
- 正值表示正相关，例如"花瓣长度"和"花瓣宽度"；
- 负值或接近 0 表示负相关或无明显线性关系；
可据此判断哪些维度信息冗余，有助于降维（如 PCA）时选择保留主成分。

上图展示了 Iris 数据集使用 PCA 降维到二维后的投影结果：

不同颜色表示不同类别的花（setosa、versicolor、virginica）；
PCA 将原始四维特征（花萼/花瓣长度与宽度）压缩到两个主成分（PC1 与 PC2）；
我们可以清晰地看到：第一主成分很好地区分了类别，说明其携带了大量判别性信息。

三、可视化理解

每个主成分是一个最大化投影方差的方向；
第一个主成分最大化全局方差；
第二个主成分与第一个正交，最大化剩余方差。

四、示例代码（基于 `scikit-learn`）

python 复制代码

from sklearn.decomposition import PCA
from sklearn.datasets import load_iris
import matplotlib.pyplot as plt

# 加载数据
data = load_iris()
X = data.data
y = data.target

# PCA降维到2维
pca = PCA(n_components=2)
X_pca = pca.fit_transform(X)

# 可视化
plt.figure(figsize=(6, 5))
plt.scatter(X_pca[:, 0], X_pca[:, 1], c=y, cmap='viridis', edgecolor='k')
plt.title("Iris Dataset PCA (2D)")
plt.xlabel("PC1")
plt.ylabel("PC2")
plt.grid(True)
plt.show()

五、注意事项

PCA 是无监督学习方法；
对特征量纲敏感，必须标准化；
仅捕捉线性结构，对非线性结构效果差（可考虑 Kernel PCA）。

六、常见应用

数据压缩（例如图像压缩）
数据可视化（2D 或 3D 展示高维数据）
去噪（保留前几主成分，去掉小特征值部分）
特征提取（机器学习模型的前置处理）