Coursera《machine learning》--（14）数据降维

Myth丶恋晨 2021-07-16 17:27 443阅读 0赞

本笔记为Coursera在线课程《Machine Learning》中的数据降维章节的笔记。

**十四、降维 (Dimensionality Reduction)**

**14.1 动机一：数据压缩**

本小节主要介绍第二种无监督学习方法：dimensionality reduction，从而实现数据的压缩，这样不仅可以减少数据所占磁盘空间，还可以提高程序的运行速度。如下图所示的例子，假设有一个具有很多维特征的数据集（虽然下图只画出2个特征），可以看到*x*1以cm为单位，*x*2以inches为单位，它们都是测量长度的，所以，给出的数据是非常冗余的，应该把这两维数据降到一维（这种情况是常见的，例如，采用两种不同的仪器来测量一些物体的尺寸，其中一个仪器测量结果的单位是英寸，另一个仪器测量的结果是厘米；这种情况在工程中是经常会发生的，有时可能有几个不同的工程团队，第一个工程队给出二百个特征，第二个工程队给出另外三百个的特征，第三个工程队给出五百个特征，这些特征放在一起非常的多，并且可能会出现一些冗余）。

![262236150786725.png][]

如何将2D数据降到1D？降维，就是希望找到如下图所示的直线，所有的点映射到这条直线上，这个新特征叫做*z*1，要确定点在这条直线上的位置，只需要一个数字即可。例如，表示原来的样本*x*(1)需要两个数字或者是一个二维向量，降维后，用*z*(1)就可以表示这个样本。总结一下，如果可以将原数据集中的所有数据都映射到一条直线上，用映射后的数据来近似原来的数据集，那么，只需要一个实数来确定某个点在直线上的位置。所以，现在只需要为每个样本保留一个数字。

![262236154224998.png][]

下面，给出一个将数据从三维降至二维的例子，如下图所示（在实际应用中，可能具有10000维的特征，需要降到100维，这里仅以3D降到2D为例），给出了一个数据集，每个样本有三个特征，所有这些数据点可能都能差不多经过一个平面，所以，将所有这些数据点都投影到这个二维平面上，为了表示某个点在平面上的位置，需要两个数，降维后，利用*z*1、*z*2表示每个样本。下图中分别给出了3D数据、降维后的2D数据和降维后的2D数据的俯视图。

![262236185782328.png][]

**14.2 动机二：数据可视化**

本小节将主要讲解降维的第二种应用，即数据的可视化，许多机器学习算法可以帮助我们开发高效的学习算法，但前提是我们能够更好地理解数据，数据降维是能够将数据可视化的一种有用的工具。假如我们已经搜集了大量的数据，具有许多的特征，如*x*∈R50，那么，如何能够将这些数据可视化呢？绘制一幅50维的图是不可能的。那么，有没有能够观察数据的好方法呢？可以使用降维方法，例如，可以利用两个数总结50个特征。

![262236200154801.png][]

假使我们有关于许多不同国家的数据，每一个特征向量由50个特征构成（如，GDP，人均 GDP，平均寿命等）。如果要将这个50维的数据可视化是不可能的。如果能够使用降维的方法将其降至2维，便可以将其可视化了。这样做的问题在于，降维算法只负责减少维数，而新产生的特征的意义就必须由我们自己去发现了。

**14.3 主成分分析问题**

对于降维问题来说，目前最流行、最实用的方法是主成分分析法（Principal Componet Analysis, PAC），本小节主要介绍PCA的公式描述。假设有下图所示的数据集，该数据集中含有二维实数空间内的样本*x*，现在，需要对数据进行降维，由2D降到1D，想找到一条直线，把所有数据点都投影到该直线上，那么，怎么能够找到这样一条直线呢？如下图所示，其实就是想找到一条直线，使得所有数据点到它们在这条直线上的投影点之间的距离的平方和最小，这些距离被称为**投影误差**，所以，PCA的目的就是为了寻找到一个投影平面，使得投影误差平方和达到最小。在进行PCA之前，需要先进行**数据归一化**和**特征规范化**，使得*x*1、*x*2的特征均值为0。仍回到刚刚的问题，现在，如果选择另外一条投影直线，会发现结果非常的差，因为投影误差很大，每个样本都需要移动很大的距离才能被投影到这条投影直线上。这也就是为什么PCA会选择第一条直线作为投影直线。

![262236216097087.png][]![262236219373888.png][]

在PCA中，我们要做的是找到一个方向向量（Vector direction），当我们把所有的数据都投射到该向量上时，使得投射平均均方误差能尽可能地小。方向向量是一个经过原点的向量，而投影误差是从特征向量向该方向向量作垂线的长度，并且，与方向向量的方向无关。主成分分析问题的描述：问题是要将*n*维数据降至*k*维，目标是找到向量*u*(1), *u*(2),..., *u*(*k*)使得总的投影误差最小。

![262236223124703.png][]

对于3D降到2D的目的就是：找到两个方向向量，它们可以确定一个2D平面，所有3D数据点到该2D平面投影误差平方和最小。

![262236234842161.png][]

主成分分析与线性回归之间有什么关系呢？主成分分析与线性回归是两种不同的算法，它们只是看起来有点相似。主成分分析最小化的是投影误差（Projected Error），而线性回归尝试的是最小化预测误差。如下图所示，左边的是线性回归的误差（垂直于横轴投影），右边则是主要成分分析的误差（垂直于红线投影）。线性回归的目的是预测结果，而主成分分析不作任何预测。

![262236238758745.png][]

PCA是在寻找一个低维的平面，使得数据在其上的投影具有最小化的投影误差平方和。

**14.4 主成分分析算法**

本小节开始介绍主成分分析算法，即它的实现过程。在进行PCA之前，需要先进行一个数据预处理过程，拿到一组具有*m*个无标签样本训练集，一般先进行归一化处理，然后，由于不同特征的取值范围不同，需要进行特征缩放。

![262236249698648.png][]

PCA的主要目的就是求解*k*个方向向量和所有数据点在投影后的低维面的投影点。

下面给出PCA的步骤：

（1）数据归一化和特征尺度缩放。

我们需要计算出所有特征的均值（即所有样本每一维特征的均值），然后令*xj*= *xj* \-*μj*（每一个样本的特征向量\-特征均值向量）。如果特征是在不同的数量级上，需要将其除以标准差*σ*。

（2）计算所有数据点的**协方差矩阵**Σ（covariance matrix）：

![262236255009275.png][]

（3）计算协方差矩阵Σ的**特征向量**（eigenvectors）:

![262236270311778.png][]

（4）对于一个*n*×*n*维度的矩阵，上式中的矩阵*U*的各列是使得已知数据具有最小投影误差的方向向量。如果我们希望将数据从*n*维降至*k*维，只需要从*U*中选取前*k*个向量，获得一个*n*×*k*维度的矩阵，用*U*reduce表示，然后通过下式获得要求的新特征向量*z*(*i*)：

![262236273905821.png][]

其中*x*(*i*)是*n*×1维的，因此结果*z*(*i*)为*k*×1维度。注: PCA不考虑*x*0=1。

**14.5 选择主成分的数量**

在PCA算法中，将*n*维特征变量变换为*k*维特征变量，这里的参数*k*是一个重要的参数，被称为主成分的数量，本小节主要讲述如何选择这个参数*k*。首先，给出几个概念。

（1）投影误差平方和均值（average squared projection error）：![262236276257891.png][]，其中，![262236279377921.png][]是![262236282038235.png][]在降维平面上的投影点，![262236286097293.png][]是![262236288445065.png][]和![262236291403622.png][]之间的距离；

（2）数据总变差（Total variation in the data）：![262236295154437.png][]，即数据集中所有样本长度的平方和的均值，也就是，平均来看，样本距离原点有多远；

选择*k*值时，一个经验法则是：选择使以上两个数据（投影误差平方和均值、数据总变差）之间的比例≤0.01的最小*k*值，所以，在选择*k*值时，重要的是选择0.01这个数还是其他的数字。如果选择0.01，则表示保留了99%的差异性（这是PCA的语言）。如果选择0.05，则表示保留了95%的差异性；选择0.1，表示保留了90%的差异性，这些都是比较典型的数值。这样，在保证降维的基础上，还能保留大部分的差异性。

![262236298122994.png][]

那么，如果实现这个过程呢？首先，令*k*=1，进行PCA，然后，计算样本投影误差平方和均值与数据总变差之间的比值，如果满足范围要求，则停止，*k*=1就是比较好的选择，否则，接下来尝试*k*=2，知道满足要求为止。但这个过程效率比较底下，要一个个去尝试，实际上，在进行PCA时，在对协方差矩阵进行svd时，还会得到一个矩阵***S***，它是一个维数为*n*的正方阵，可以证明，给定一个*k*值，样本投影误差平方和均值与数据总变差之间的比值可以由下式计算得到：

![262236307502680.png][]

所以，在对*k*值进行尝试时，只需要计算上式即可，从而逐渐找到能够确保99%差异性被保留的最小*k*值。这样做，只需要调用一次svd，而不是一遍一遍调用svd。

![262236310475938.png][]

总结一下，在利用PCA进行数据压缩时，通常使用的方法是：对协方差矩阵进行一次svd，然后找到使得![262236321092896.png][]满足要求的最小*k*值。（在解释PCA获得比较好性能的这个数字时，应该说"有百分之多少的差异性能被保留下来了"，表明了这些近似数据对原始数据的近似有多好）

![262236331406311.png][]

**14.6 重建的压缩表示**

PCA作为数据压缩算法，它可以把1000维的数据压缩100维特征，或将3D数据压缩到2D。有这样一个数据压缩方法，那么相应地也应该有一个算法可以将压缩过的数据近似地变回到原始的高维度数据。假设有一个已经被压缩过的*z*(*i*)，它有100个维度，怎样将它变回到原始的1000维的*x*(*i*)呢？

如下左图所示，给定一组2D样本，将它们降维到1D；现在，如果利用这些1D数据恢复出原来的2D数据呢？由于![262236333758381.png][]，那么，可以![262236335787910.png][]，根据PCA，投影误差平方和不会很大，所以，![262236339064711.png][]会比较接近于*x*，如下右图所示。

![262236341729726.png][]![262236346258096.png][]

**14.7 主成分分析法的应用建议**

如前面所述，PCA可以提高机器学习算法的速度，本小节主要讲述在实际应用中如何实现PCA。如何通过PCA提高学习算法的效率呢？现在有一个监督学习问题，训练样本为输入的*x*和标签*y*，如果样本*x*(*i*)的维度非常高，例如，*x*(*i*)∈IR10,000，在计算机视觉问题中，有一张100×100的图像，如果以所有像素点的强度值作为特征，则会得到一个特征维数为10,000的特征向量，这种维度很高的特征向量，运行速度非常慢，需要进行降维，具体方法如下：

从训练集中提取出*x*（暂时不考虑*y*，相当于得到一组无标签的训练集），利用PCA从中得到一组降维的数据，这样，得到一组新的训练集，同时，将原有的标签加入；然后，将已经降维的数据集输入到学习算法中。如果有一个新的样本*x*，对它的类别进行预测，那么，需要利用PCA对其进行降维，然后利用学习算法得到的分类器对其进行分类。

![262236349843141.png][]

PCA的主要应用为：数据压缩（Compression）、数据可视化（Visualization）。

下面，介绍PCA常见的错误。有人用它来进行过拟合的控制，这不是一个好的应用，因为，PCA并不需要标签，它把某些特征舍弃掉了。

![262236365154642.png][]

还有一个关于PCA的误用。例如，在设计机器学习算法时，有人会进行如下操作，在项目的初期使用PCA，但这不是很恰当。在使用PCA之前，应该先用原始数据进行学习，在确定原始数据确实不是很好的时候，再去考虑PCA，而不应该在没有对原始数据进行学习时，就直接使用PCA。

![262236371408999.png][]

[262236150786725.png]: /images/20210716/87fb5d9eeac84fb2a4be060369a5369c.png
[262236154224998.png]: /images/20210716/add321d799474faaa0468df76fb11e42.png
[262236185782328.png]: /images/20210716/9cb50c1ca1924888bdd8da1d1e5b6655.png
[262236200154801.png]: /images/20210716/8de3001b09b14151ae9eb05f0644ee52.png
[262236216097087.png]: http://images0.cnblogs.com/blog/736761/201508/262236216097087.png
[262236219373888.png]: /images/20210716/10f8a08edda64026b30a8d7d5d7b64ec.png
[262236223124703.png]: /images/20210716/4305f33209884a1c93aa9ee4eb06aee5.png
[262236234842161.png]: /images/20210716/3c41eedc2a994636a590df6b22734631.png
[262236238758745.png]: /images/20210716/d8a6d73271dd4010ba94de22e87ba979.png
[262236249698648.png]: /images/20210716/b67ebddf598c41e5badeed1f13ed0dda.png
[262236255009275.png]: /images/20210716/2761769923a346f591e0c3756706bdc7.png
[262236270311778.png]: /images/20210716/ea505bcded9347b79a1b2990a9cb3122.png
[262236273905821.png]: /images/20210716/f568ff1720a0427ca860e09052f5ab25.png
[262236276257891.png]: http://images0.cnblogs.com/blog/736761/201508/262236276257891.png
[262236279377921.png]: http://images0.cnblogs.com/blog/736761/201508/262236279377921.png
[262236282038235.png]: http://images0.cnblogs.com/blog/736761/201508/262236282038235.png
[262236286097293.png]: http://images0.cnblogs.com/blog/736761/201508/262236286097293.png
[262236288445065.png]: http://images0.cnblogs.com/blog/736761/201508/262236288445065.png
[262236291403622.png]: /images/20210716/acb412bf09994bbbb578eaff67f8472c.png
[262236295154437.png]: /images/20210716/b5c35e82cbbb404aa184ab64c098ac5c.png
[262236298122994.png]: /images/20210716/9eb0bd6df602438baa9bdfe1b491de2b.png
[262236307502680.png]: /images/20210716/7edcf83f1053480e943b8508a9ea247e.png
[262236310475938.png]: /images/20210716/ca5e3c2de1c142f7aebf0d166d1ba012.png
[262236321092896.png]: /images/20210716/183f1564a7844193b46cc6321d86a1e4.png
[262236331406311.png]: /images/20210716/5255cf16a6194db1ae2df4cfec670913.png
[262236333758381.png]: http://images0.cnblogs.com/blog/736761/201508/262236333758381.png
[262236335787910.png]: http://images0.cnblogs.com/blog/736761/201508/262236335787910.png
[262236339064711.png]: /images/20210716/cc6fc2ba390c4ae9b9299c1e9b164a4d.png
[262236341729726.png]: http://images0.cnblogs.com/blog/736761/201508/262236341729726.png
[262236346258096.png]: /images/20210716/36705a69194249d28fdc6c4e6149617a.png
[262236349843141.png]: /images/20210716/66362dbc452c4b098640043ac50a6aa8.png
[262236365154642.png]: /images/20210716/7ffe876c0e734907a2f9b6675017e7ae.png
[262236371408999.png]: /images/20210716/328a0d77b2a64d0cac83da6408a2fb48.png