也就是|雪球_详解主成分分析PCA与奇异值分解SVD降维后的矩阵components_&inverse_transform菜菜的sklearn课堂笔记

篇首语：本文由编程笔记#小编为大家整理，主要介绍了详解主成分分析PCA与奇异值分解SVD-降维后的矩阵components_ & inverse_transform菜菜的sklearn课堂笔记相关的知识，希望对你有一定的参考价值。

V(k,n)这个矩阵保存在.components_这个属性当中
我们之前谈到过PCA与特征选择的区别，即特征选择后的特征矩阵是可解读的，而PCA降维后的特征矩阵式不可解读的：PCA是将已存在的特征进行压缩，降维完毕后的特征不是原本的特征矩阵中的任何一个特征，而是通过某些方式组合起来的新特征。通常来说，在新的特征矩阵生成之前，我们无法知晓PCA都建立了怎样的新特征向量，新特征矩阵生成之后也不具有可读性，我们无法判断新特征矩阵的特征是从原数据中的什么特征组合而来，新特征虽然带有原始数据的信息，却已经不是原数据上代表着的含义了。
但是其实，在矩阵分解时，PCA是有目标的：在原有特征的基础上，找出能够让信息尽量聚集的新特征向量。在sklearn使用的PCA和SVD联合的降维方法中，这些新特征向量组成的新特征空间其实就是V(k,n)。当V(k,n)是数字时，我们无法判断V(k,n)和原有的特征究竟有着怎样千丝万缕的数学联系。但是，如果原特征矩阵是图像，V(k,n)这个空间矩阵也可以被可视化的话，我们就可以通过两张图来比较，就可以看出新特征空间究竟从原始数据里提取了什么重要的信息。

我们以人脸识别中属性components_为例

from sklearn.datasets import fetch_lfw_people
from sklearn.decomposition import PCA
import matplotlib.pyplot as plt
import numpy as np
faces = fetch_lfw_people(min_faces_per_person=60) # 实例化
# min_faces_per_person:在数据集中每个人取出n张脸图
print(faces.DESCR) # 需要的话自己看吧
faces.data.shape
# 每一行是样本，即1348个样本
# 列式样本相关的所有特征，即2914个特征
# 因此，可视化这一部分没有意义
---
(1348, 2914)
faces.images.shape # 注意是三维的
# 严格来说，这个才是图像的特征矩阵
# 1348是矩阵中图像的个数
# 62是每个图像的特征矩阵的行，行上有62个像素
# 42是每个图像的特征矩阵的列，列上有47个像素
# 之前的2914=62*47，一张图就要有一行一列，可以看做一个表
# 因此我们可以对62*47这一部分进行可视化
---
(1348, 62, 47)
X = faces.data
# 之前的plt.figure是无法画多个图的
fig, axes = plt.subplots(4,5 # 子图4行5列。现在直接执行会给4*5=20个框，其他什么也没有
# 4,5表示要画20个图，在这里也就是20张脸，可以写其他数
,figsize=(8,4) # 画布的尺寸和比例和大小，8代表行，4代表列
# figsize的对象是figure不是某一个subplot
,subplot_kw="xticks":[],"yticks":[] # 不显示坐标轴
)


fig # 生成的一张纸


axes # 4行5列，matplotlib的对象
# axes中的一个对象对应fig中的一个空格
---
array([[,
,
,……
# 4*5的array，里面都是matplotlib对象
axes.shape
---
(4, 5)
axes[0,0] # 指定那个对象和一般的矩阵一样
axes[0,0].imshow(faces.images[0,:,:])
# 生成一个更新过的matplotlib对象
# 我们只是改变了axes对象，在这里执行完这个cell显示图像
# 只有再次看fig画布才看看到效果
# imshow要求的数据格式必须是一个(m,n)格式的矩阵，即每个数据都是一张单独的图，我们需要遍历的是faces.images，其结构是(1277, 62, 47)
fig


我们要花$4\\times 5=20$个图，二维结构，可以有两种循环方式，一种是使用索引，循环一次同时生成一列上的三个图；另一种是把数据拉成一维，循环一次只生成一个图。这里我们选择后者

[*enumerate(axes.flat)]
---
[(0, ),
(1, ),
(2, ),
(3, ),
# flat降维成一维
# enumerate每个对象带序号构成一个元组，因为是惰性对象，所以在列表中可以用*打开


填充所有子图

for i, ax in enumerate(axes.flat):
ax.imshow(faces.images[i,:,:],cmap=gray) # 选择色彩的模式，原本显示绿色，设置显示黑白
fig


降维，并获取components_

pca = PCA(150).fit(X) # X = faces.data，注意faces.data.shape为(1348, 2914)
V = pca.components_ # 是V^T而不是V
V.shape
---
(150, 2914)
V[0].shape # 这一行的shape，意义不大
---
(2914,)
V[0].reshape(62,47).shape # 这里实际上是被选中的降维所用的特征向量进行reshape
---
(62, 47)
fig, axes = plt.subplots(5,10,figsize=(8,4),subplot_kw = "xticks":[],"yticks":[])
for i,ax in enumerate(axes.flat):
ax.imshow(V[i,:].reshape(62,47),cmap=gray)
# 这里对V进行可视化，显然画的不是图片，而是特征向量
# 个人理解，这里的V是150*2914，150个特征向量也就是150个最重要的点
# X*V，也就是通过X对V这150个特征组成的图像进行加权得到降维后的图像
# 越靠前的V越重要，越靠后的区分度越小
# 前几个特征也就是这个前几个图像主要关注了五官的位置，光照等


可以看出，比起降维前的数据，新特征空间可视化后的人脸非常模糊，这是因为原始数据还没有被映射到特征空间中。但是可以看出，整体比较亮的图片，获取的信息较多，整体比较暗的图片，却只能看见黑漆漆的一块。在比较亮的图片中，眼睛，鼻子，嘴巴，都相对清晰，脸的轮廓，头发之类的比较模糊。
这说明，新特征空间里的特征向量们，大部分是"五官"和"亮度"相关的向量，所以新特征向量上的信息肯定大部分是由原数据中和"五官"和"亮度"相关的特征中提取出来的。到这里，我们通过可视化新特征空间V，解释了一部分降维后的特征：虽然显示出来的数字看着不知所云，但画出来的图表示，这些特征是和”五官“以及”亮度“有关的。这也再次证明了，PCA能够将原始数据集中重要的数据进行聚集。

这里关于白化其实在sklearn里就是一个参数

PCA(
[n_compOnents=None, copy=True, whiten=False, "svd_solver=auto", tol=0.0, "iterated_power=auto", random_state=None],
)
# whiten:是否PCA后进行白化


个人理解，我们PCA是求的$X_dr=X \\cdot V$，其中$V$是特征向量组成的矩阵，白化PCA就是$X_w= X \\cdot V \\cdot \\Lambda^- \\frac12$，这里$\\Lambda$就是协方差矩阵$S$的特征值
$$
\\beginaligned
\\Sigma_w&=\\frac1mX_w^TX_w\\
&=\\frac1m\\Lambda^- \\frac12V^TX^T \\cdot XV\\Lambda^- \\frac12\\
&=\\Lambda^- \\frac12V^T\\cdot \\frac1mX^TX \\cdot V \\Lambda^- \\frac12\\
&=\\Lambda^- \\frac12 V^TS V \\Lambda^- \\frac12\\
&=\\Lambda^- \\frac12V^T\\cdot V \\Lambda V^T\\cdot V\\Lambda^- \\frac12\\
&=\\textI
\\endaligned
$$
因此我们说数据在经过PCA白化以后，其协方差矩阵是一个单位矩阵，各维度不线性相关，且每个维度方差都是1

inverse_transform

在特征工程课中，我们学到了接口inverse_transform，可以将我们归一化，标准化，甚至做过哑变量的特征矩阵还原回原始数据中的特征矩阵，这几乎在向我们暗示，任何有inverse_transform这个接口的过程都是可逆的。PCA应该也是如此。在sklearn中，我们通过让原特征矩阵X右乘新特征空间矩阵$V_((k,n))$来生成新特征矩阵$X_dr$，那理论上来说，让新特征矩阵$X_dr$右乘V(k,n)的逆矩阵$V^-1((k,n))$，就可以将新特征矩阵$Xdr$还原为X。

用上面人脸识别看PCA降维后的信息保存量

from sklearn.datasets import fetch_lfw_people
from sklearn.decomposition import PCA
import matplotlib.pyplot as plt
import numpy as np
faces = fetch_lfw_people(min_faces_per_person=60)
X = faces.data
X.shape
---
(1348, 2914)
pca = PCA(150)
X_dr = pca.fit_transform(X)
X_dr.shape
---
(1348, 150)
X_inverse = pca.inverse_transform(X_dr)
X_inverse.shape
# 期待X_inverse和原数据有相同的结构，如果相同，我们就说inverse_transform实现了降维过程的逆转
# 维度相同，即使inverse_transform将降维后的数据映射回原数据所在的维度空间中，但信息已经损失了
---
(1348, 2914)
fig, ax = plt.subplots(2,10,figsize=(10,2.5)
,subplot_kw=xticks:[],yticks:[]
)
for i in range(10):
ax[0,i].imshow(faces.images[i,:,:],cmap=binary_r)
ax[1,i].imshow(X_inverse[i].reshape(62,47),cmap=binary_r)
fig
# 第一行是原数据，第二行是inverse_transform后返回的数据
---


可以明显看出，这两组数据可视化后，由降维后再通过inverse_transform转换回原维度的数据画出的图像和原数据画的图像大致相似，但原数据的图像明显更加清晰。这说明，inverse_transform并没有实现数据的完全逆转。这是因为，在降维的时候，部分信息已经被舍弃了，$X_dr$中往往不会包含原数据100%的信息，所以在逆转的时候，即便维度升高，原数据中已经被舍弃的信息也不可能再回来了。所以，降维不是完全可逆的。
inverse_transform的功能，是基于$X_dr$中的数据进行升维，将数据重新映射到原数据所在的特征空间中，而并非恢复所有原有的数据。但同时，我们也可以看出，降维到300以后的数据，的确保留了原数据的大部分信息，所以图像看起来，才会和原数据高度相似，只是稍稍模糊罢了。