维数灾难与PCA主成分分析

背景　　

　　维数灾难是机器学习中常见的现象，具体是指随着特征维数的不断增加，需要处理的数据相对于特征形成的空间而言比较稀疏，由有限训练数据拟合的模型可以很好的适用于训练数据，但是对于未知的测试数据，很大几率距离模型空间较远，训练的模型不能处理这些未知数据点，从而形成“过拟合”的现象。

方案

　　既然维数灾难严重影响模型的泛化，那么如何解决呢？容易想到的解决办法是增加数据量，但是如果特征维数比较多，需要很大的数据量才能将整个特征空间“填满”，代价太大；还有一种比较容易实现而且效果还不错的解决办法就是特征的降维。特征的降维的主要思想是：过滤掉一些不重要的特征，或者把一些相关的特征进行合并，在减少特征维数的同时尽量保留原始数据的信息。

　　PCA主要包含以下几个步骤：

　　1、标准化样本矩阵中的原始数据；（通常每列是一个维度，按列进行标准化，不可整体标准化，每列都是相互独立的）

　　2、获取标准化矩阵的协方差矩阵；　　

　　3、计算协方差矩阵的特征值和特征向量；

　　4、依照特征值的大小，挑选主要的特征向量；

　　5、生成新的特征。

工具

　　本文使用工具为：Anaconda、PyCharm、python语言、sklearn

Python代码实现

from numpy import *
from numpy import linalg as LA
from sklearn.preprocessing import scale
from sklearn.decomposition import PCA
import pandas as pd

data = {‘a‘: [1,2,3,40], ‘b‘: [5,6,17,8], ‘c‘: [9,10,81,12]}
x = pd.DataFrame(data)
#x_s = (x-x.mean())/x.std()
# 对矩阵按列进行标准化，每列是一个维度
x_s = scale(x, with_mean=True, with_std=True, axis=0)
print("标准化之后的矩阵为：{}".format(x_s))

# 获取标准化矩阵的协方差矩阵
x_cov = cov(x_s.transpose())

# 计算协方差矩阵的特征值和特征向量
e,v = LA.eig(x_cov)
print("特征值：{}".format(e))
print("特征向量：\n{}".format(v))

# 依照特征值的大小，挑选主要的特征向量
pca = PCA(2)
pca.fit(x_s)

# 输出变换后的数据矩阵
print("方差（特征值）: ", pca.explained_variance_)
print("主成分（特征向量）", pca.components_)
print("变换后的样本矩阵：",pca.transform(x_s))
print("信息量: ", pca.explained_variance_ratio_)

代码运行结果

标准化之后的矩阵为：[[-0.63753558 -0.84327404 -0.6205374 ]
 [-0.5768179  -0.63245553 -0.58787754]
 [-0.51610023  1.68654809  1.73097275]
 [ 1.73045371 -0.21081851 -0.52255781]]
特征值：[2.72019876e+00 1.27762876e+00 2.17247549e-03]
特征向量：
[[ 0.2325202  -0.96356584  0.13219394]
 [-0.67714769 -0.25795064 -0.68915344]
 [-0.69814423 -0.07072727  0.71245512]]
方差（特征值）:  [2.72019876 1.27762876]
主成分（特征向量） [[-0.2325202   0.67714769  0.69814423]
 [ 0.96356584  0.25795064  0.07072727]]
变换后的样本矩阵： [[-0.85600578 -0.8757195 ]
 [-0.7045673  -0.76052331]
 [ 2.4705145   0.06017659]
 [-0.90994142  1.57606622]]
信息量:  [0.68004969 0.31940719]

原文地址：https://www.cnblogs.com/wyb-mingtian/p/12590043.html