目录

• Principle Component Analysis && Singular Value Decomposition
  
  
  • 一. Intuition of PCA
    
    
    • 1.1 去掉多余的特征
    
    
    • 1.2 魔幻展示
    
    
    • 1.3 难例图解
    
    
  
  
  • 2. 概念介绍
  
  
  • 3. PCA操作
  
  
  • 4. SVD操作
  
  

Principle Component Analysis && Singular Value Decomposition

一. Intuition of PCA

1.1 去掉多余的特征

假设我们有房子的这些信息：价格（千美元）、面积、层数、户型。

房子包含了四维的信息，我们无法在一幅图像中直观的显示出来。然而，如果你仔细的观察特征之间的联系，你将会注意到不是所有的特征都是同等重要的。

例如，你可以通过房子的层数去识别房子的价格（或对应哪个房子）吗？房子的层数是否帮助我们区分是哪个房子？房子的层数几乎相同，他们的方差很小，\(\sigma^2=0.2\) 所以房子的层数不是非常有用。那房子的户型呢？他们值变化也不是很大，但是他们的方差却很大，\(\sigma^2=127\)，因此房子的户型可以很好的区别是哪个房子。

因此我们可以做一些事尽量的发掘特征，在不损失精度的情况下。目前，我们学习了各自的特征。那特征之间的相互联系是什么？如果你仔细看了上图1-1的特征，你会发现房子的价格粗略的等于房子面积的两倍。这是非常有用的信息，我们可以使用其中一个特征来取代代替另一个特征。这样两个特征之间的联系称为协方差。协方差越大，表明特征之间的相关性越强，也就是数据的冗余性很大。因此可以进行降维处理。

从之前的讨论可以明显的看出：

• 特征高方差是好事，代表更多的信息


• 特征之间高协方差是坏事，表明特征之间很多冗余

这就是PCA的目的：使得每个特征的方差都很大，使得特征之间的协方差都很小。当前我们无法用眼睛直观的感受，下文会详细描述。

1.2 魔幻展示

我们对PCA女士进行了一个简单采访-：

记者：请问您认为最完美的数据是什么样的？

PCA：下图所示

这意味着-----数据可以降低到一个维度上。观测：\(x_1\)方向的方差比\(x_2\)方向的方差大很多，也就等于去除\(x_2\)方向的数据，不会破坏很多的数据信息。此外，\(x_1\)方向的数据是递增的，完全没有依靠\(x_2\)的数据，也就等于\(x_1/x_2\)的协方差很小。为什么PCA会觉得这样的数据很完美，因为她只需进行这样的操作：

明白怎么进行的处理很重要，\(x_1\)的数据比\(x_2\)的数据更重要，所以我们去除\(x_2\)的数据。也可以表达为，把数据像\(x_1\)进行投影。二维数据使用一维数据代替。

1.3 难例图解

记者：那您觉得什么的数据不是很完美呢？数据像什么样子？

PCA：每个东西都是完美的，只要你进行一些变换即可。像下面这幅图一样：

PCA：上面的图有点困难，你觉得呢？尝试将头转动一下

将图转动45°之后，现在的图也是将近完美的。

2. 概念介绍

3. PCA操作

4. SVD操作