Python机器学习项目化教程（微课视频版）课件 第9章 降维分析.pptx

第9章降维分析

目录CONTENTS9.1PCA9.2奇异值分解9.3本章小结

9.1PCA学习基础学习认知能力信息素养高降维的目的就是要找出更准确、简洁描述样本属性的组合方式。方差过滤作为特征工程中一种重要的特征选择方法，它认为如果一个特征的方差很小，则意味着这个特征上很可能有大量取值都相同，则该特征的取值对样本而言就没有区分度，该特征就不包含有效信息；如果一个特征的方差很大，则说明该特征上拥有大量有效信息。

9.1PCA这组数的均值都为(2.5,2.5)，方差为(3,3)，方差计算过程为：将原本的直角坐标系逆时针旋转45°，形成了新的特征向量x1和x2组成的新平面，

9.1PCA选择其中一个特征进行分析，则优化目标就是要最大化每个特征的方差，即：目标函数为：

9.1PCA利用拉格朗日乘子法求解：

9.1PCA（1）计算样本每个特征的平均值，将每个样本数据减去该特征的平均值，即进行归一化处理；（2）计算归一化处理后的样本的协方差矩阵；（3）找到协方差矩阵的特征值和特征向量；（4）对特征值按照从大到小排序，特征向量相应排序；（5）计算特征值的累计贡献率，并求前k行构成的特征向量构成的矩阵P；（6）计算Y=PX，即为经过PCA降维后的k维数据。

9.1PCA根据PCA算法的实现原理，对于给定的矩阵X，先计算出协方差矩阵mat_cov，然后得到特征值和特征向量，选取前k个特征向量，就得到变换后的矩阵X_mat。

9.1PCA为了验证经过pca降维过的数据能表示原数据的特征，随机生成一组数据，并观察降维后每个特征方差占的比例，并进行可视化。

9.1PCA

9.2奇异值分解奇异值分解(SingularValueDecomposition，SVD)是一种矩阵因子分解方法回顾一下特征值分解。设A为n阶方阵，若存在数λ和非零向量x，使得：

9.2奇异值分解矩阵的奇异值分解是指，将一个非零的m×n实矩阵A，表示为以下三个实矩阵乘积形式的运算，即进行矩阵的因子分解：

9.2奇异值分解

9.2奇异值分解

9.2奇异值分解SVD是通过求ATA的特征值和特征向量进行降维。实际上，scikit-learn的PCA算法的背后真正的实现就是用的SVD，而不是我们我们认为的暴力特征分解。假设我们的样本是m×n的矩阵A，如果我们通过SVD找到了矩阵ATA最大的d个特征向量张成m×d维矩阵U，如果进行如下处理：左奇异矩阵可以用于行数的压缩。相对的，右奇异矩阵可以用于列数即特征维度的压缩，也就是我们的PCA降维。

9.2奇异值分解

9.2奇异值分解

9.2奇异值分解对于文本检索和推荐系统，都会涉及到大量的文本数据需要处理。文本检索和新闻分类其实就是一个聚类问题，关键是如何计算查询与文档的相似度、两篇新闻的相似度。查询、文档、新闻均可看作是一个文本，可表示成由一系列词汇组成的向量，夹角越小，表明两篇新闻越相关；当它们垂直正交时，表示两篇新闻无关。为了提高计算效率，往往需要先对特征进行降维，SVD就是一种常见的降维方法。

9.2奇异值分解

9.3本章小结PCA和SVD作为两种常用的降维方法，被应用于数据压缩、去噪等方面。PCA和SVD都属于无监督的学习算法，都可将原始数据投影到新的低维空间中，以最大程度地保留原始数据的方差信息。其中，PCA通过构建一种被称为主成分的变量，并将所用到的所有向量映射到由主成分变量构建的空间上去。SVD用于将矩阵分解为三个矩阵的乘积：左奇异矩阵、右奇异矩阵和对角矩阵。PCA只能获取单个方向上的主成分，而SVD可以获取两个方向上的主成分。PCA在维数很大的时候计算量很大，并且某些情况下可能会丢失数据精度。