PCA算法的數(shù)學(xué)知識(shí)特征值分解和奇異值分解

1、PCA算法的數(shù)學(xué)知識(shí)-特征值分解和奇異值分解：1）特征值：    如果說一個(gè)向量v是方陣X的特征向量，將一定可以表示成下面的形式：    這時(shí)候就被稱為特征向量v對(duì)應(yīng)的特征值，一個(gè)矩陣的一組特征向量是一組正交向量。特征值分解是將一個(gè)矩陣分解成下面的形式：其中Q是這個(gè)矩陣X的特征向量組成的矩陣，是一個(gè)對(duì)角陣，每一個(gè)對(duì)角線上的元素就是一個(gè)特征值。首先，要明確的是，乘以一個(gè)矩陣其實(shí)就是一個(gè)線性變換，而且將一個(gè)矩陣乘以一個(gè)向量后得到的向量，其實(shí)就相當(dāng)于對(duì)這個(gè)向量進(jìn)行了線性變換。如果我們想要描述好一個(gè)變換，那我們就描述好這個(gè)變換主要的變化方向就

2、好了。分解得到的矩陣是一個(gè)對(duì)角陣，里面的特征值是由大到小排列的，這些特征值所對(duì)應(yīng)的特征向量就是描述這個(gè)矩陣變化方向（從主要的變化到次要的變化排列）。通過特征值分解得到的前N個(gè)特征向量，就對(duì)應(yīng)了這個(gè)矩陣最主要的N個(gè)變化方向。我們利用這前N個(gè)變化方向，就可以近似這個(gè)矩陣（變換）。也就是：提取這個(gè)矩陣最重要的特征?？偨Y(jié)一下，特征值分解可以得到特征值與特征向量，特征值表示的是這個(gè)特征到底有多重要，而特征向量表示這個(gè)特征是什么，可以將每一個(gè)特征向量理解為一個(gè)線性的子空間，我們可以利用這些線性的子空間干很多的事情。不過，特征值分解也有很多的局限，比如說變換的矩陣必須是方陣。2）奇異值： 

3、0; 特征值分解是一個(gè)提取矩陣特征很不錯(cuò)的方法，但是它只是對(duì)方陣而言的，而奇異值分解是一個(gè)能適用于任意的矩陣的一種分解的方法：假設(shè)X是一個(gè)n* p的矩陣，那么得到的U是一個(gè)n * n的方陣（里面的向量是正交的，U里面的向量稱為左奇異向量），是一個(gè)n * p的矩陣（除了對(duì)角線的元素都是0，對(duì)角線上的元素稱為奇異值），(V的轉(zhuǎn)置)是一個(gè)p * p的矩陣，里面的向量也是正交的，V里面的向量稱為右奇異向量）。那么奇異值和特征值是怎么對(duì)應(yīng)起來的呢？首先，我們將一個(gè)矩陣X的轉(zhuǎn)置乘以X，將會(huì)得到一個(gè)方陣，我們用這個(gè)方陣求特征值可以得到：    這里得到的v，就是我們上

4、面的右奇異向量。此外我們還可以得到：    這里的就是上面說的奇異值，u就是上面說的左奇異向量。奇異值跟特征值類似，在矩陣中也是從大到小排列，而且的減少特別的快，在很多情況下，前10%甚至1%的奇異值的和就占了全部的奇異值之和的99%以上了。也就是說，我們也可以用前r大的奇異值來近似描述矩陣，這里定義一下部分奇異值分解：    r是一個(gè)遠(yuǎn)小于n、p的數(shù)，右邊的三個(gè)矩陣相乘的結(jié)果將會(huì)是一個(gè)接近于X的矩陣，在這兒，r越接近于p，則相乘的結(jié)果越接近于X。而這三個(gè)矩陣的面積之和（在存儲(chǔ)觀點(diǎn)來說，矩陣面積越小，存儲(chǔ)量就越?。┮h(yuǎn)遠(yuǎn)小于原始的矩陣

5、X，我們?nèi)绻胍獕嚎s空間來表示原矩陣X，我們存下這里的三個(gè)矩陣：U、V就好了。奇異值與主成分分析（PCA）：PCA的全部工作簡(jiǎn)單點(diǎn)說，就是對(duì)原始的空間中順序地找一組相互正交的坐標(biāo)軸，第一個(gè)軸是使得方差最大的，第二個(gè)軸是在與第一個(gè)軸正交的平面中使得方差最大的，第三個(gè)軸是在與第1、2個(gè)軸正交的平面中方差最大的，這樣假設(shè)在N維空間中，我們可以找到N個(gè)這樣的坐標(biāo)軸，我們?nèi)∏皉個(gè)去近似這個(gè)空間，這樣就從一個(gè)N維的空間壓縮到r維的空間了，但是我們選擇的r個(gè)坐標(biāo)軸能夠使得空間的壓縮使得數(shù)據(jù)的損失最小。假設(shè)矩陣每一行表示一個(gè)樣本，每一列表示一個(gè)特征，用矩陣的語言來表示，對(duì)一個(gè)n* p的矩陣X進(jìn)行坐標(biāo)軸的變化，

6、P就是一個(gè)變換的矩陣，從一個(gè)p維的空間變換到另一個(gè)p維的空間，在空間中就會(huì)進(jìn)行一些類似于旋轉(zhuǎn)、拉伸的變化。    而將一個(gè)n * p的矩陣X變換成一個(gè)n* r的矩陣，這樣就會(huì)使得本來有p個(gè)特征的樣本，變成了有r個(gè)特征了（r < p)，這r個(gè)其實(shí)就是對(duì)p個(gè)特征的一種提煉。用數(shù)學(xué)語言表示就是：    但是這個(gè)跟奇異值分解（SVD）什么關(guān)系呢？之前談到，SVD得出的奇異向量也是從奇異值由大到小排列的，按PCA的觀點(diǎn)來看，就是方差最大的坐標(biāo)軸就是第一個(gè)奇異向量，方差次大的坐標(biāo)軸就是第二個(gè)奇異向量我們回憶一下之前得到的SVD式子：

7、0;    在矩陣的兩邊同時(shí)乘上一個(gè)矩陣V，由于V是一個(gè)正交的矩陣，所以V轉(zhuǎn)置乘以V得到單位陣I，所以可以化成后面的式子     將后面的式子與X * P那個(gè)n * p的矩陣變換為n * r的矩陣的式子對(duì)照看看，在這里，其實(shí)V就是P，也就是一個(gè)變化的向量，即一組新的坐標(biāo)基，也叫主成分矩陣，而相當(dāng)于原數(shù)據(jù)在新坐標(biāo)基下的坐標(biāo)，叫做得分矩陣。這里是將一個(gè)n * p 的矩陣壓縮到一個(gè)n * r的矩陣，也就是對(duì)列進(jìn)行壓縮。如果我們想對(duì)行進(jìn)行壓縮（在PCA的觀點(diǎn)下，對(duì)行進(jìn)行壓縮可以理解為，將一些相似的樣本合并在一起，或者將一些沒有太大價(jià)值的樣本去掉）怎么辦呢？同樣我們寫出一個(gè)通用的行壓縮例子：    這樣就從一個(gè)n行的矩陣壓縮到一個(gè)r行的矩陣了，對(duì)SVD來說也是一樣的，我們對(duì)SVD分解的式子兩邊乘以U的轉(zhuǎn)置U'這樣我們就得到了