从头实现主成分分析(PCA)--Python

主成分分析是一种常用的降维方法，多见于数据预处理阶段，其伪代码如下：

---

输入：样本数据集D={x1,x2,x3,x4},低空间维度数d'

过程：

• 1 对所有样本进行中心化(每个特征维度都减去其均值)

• 2 计算所有样本的协方差矩阵

• 3 对协方差矩阵进行特征分解

• 4 取最大的d'个特征值的对应特征向量w1,w2,w3

输出： 投影矩阵W*=（w1,w2,wd'）

---

下面是其代码实现：

首先是产生数据，我们使用sklearn的make_blobs方法产生三类数据，每类有三个特征。数据结构是(n_samples, n_features)

图片如下：

 

可以看到，三维空间下的三类数据分的很开，在二维结构下，只有图(1)分的较开，从这一角度来看，我们的feature1和feature2是比较好的特征。

 

            
              import numpy as np
from sklearn.datasets import make_blobs
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D


np.random.seed(123)
if __name__ == '__main__':
    # 产生三类数据
    x, y = make_blobs(n_samples=600, n_features=3, centers=3)
    # 绘制三维图像
    fig = plt.figure(figsize=(8, 6))
    ax = Axes3D(fig)
    ax.scatter(x[:, 0], x[:, 1], x[:, 2], c='r')
    plt.savefig('3-D distribution of Datapoints')
    plt.show()
    #  # 绘制二维图像
    fig = plt.figure(figsize=(8, 6))
    ax1 = fig.add_subplot(2, 2, 1)
    ax1.scatter(x[:, 0], x[:, 1], c=y)
    ax2 = fig.add_subplot(2, 2, 2)
    ax2.scatter(x[:, 1], x[:, 2], c=y)
    ax3 = fig.add_subplot(2, 2, 3)
    ax3.scatter(x[:, 0], x[:, 2], c=y)
    plt.savefig('2-D distribution of Datapoints')
    plt.show()

    #  step1 中心化
    x_mean = np.mean(x, axis=0)
    x_center = x - x_mean
    #  step2 计算协方差矩阵
    covX = np.cov(x_center.T)
    #  step3 对协方差矩阵进行特征分解
    featureValue, featureVector = np.linalg.eig(covX)
    #  step4 取最大的几个特征值
    index = np.argsort(-featureValue)
    selectVec = featureVector.T[index[:2]]
    print(selectVec.shape)
    final_matrix = np.dot(x_center, selectVec.T)
    print(final_matrix.shape)

    # 绘制最终二维图像
    fig = plt.figure(figsize=(8, 6))
    plt.scatter(final_matrix[:, 0], final_matrix[:, 1], c=y)
    plt.title('2-D distribution after PCA')
    plt.savefig('2-D distribution of Datapoints after PCA')
    plt.show()
            
          

 

PCA的结果如下图所示，可以看到，效果明显：

 

总结分析：为什么PCA有效

分析：PCA的目标是通过某种线性投影方法，将高维的数据映射到较低维的空间中，并期望在所投影的维度上数据的信息量最大（方差最大，通过协方差矩阵的特征实现），具体内容可看博客：PCA主成分分析 详细解释