点击上方 “ 小白学视觉 ”，选择加" 星标 "或“ 置顶 ”

重磅干货，第一时间送达

主成分分析（Principal components analysis，以下简称PCA）是最常用的降维方法之一，在数据压缩和消除冗余方面具有广泛的应用，本文由浅入深的对其降维原理进行了详细总结。

目录

---

1.向量投影和矩阵投影的含义

2. 向量降维和矩阵降维的含义

3. 基向量选择算法

4. 基向量个数的确定

5. 中心化的作用

6. PCA算法流程

7. PCA算法总结

1. 向量投影和矩阵投影的含义

如下图：

向量a在向量b的投影为：

其中，θ是向量间的夹角 。

向量a在向量b的投影表示向量a在向量b方向的信息，若θ=90°时，向量a与向量b正交，向量a无向量b信息，即向量间无冗余信息 。因此， 向量最简单的表示方法是用基向量表示 ，如下图：

向量表示方法：

其中，c1是 在e1方向的投影，c2是 在e2方向的投影，e1和e2是基向量

我们用向量的表示方法扩展到矩阵 ，若矩阵 的 秩r(A)=n ，

，其中ai（i=1,2,...,n）为n个维度的列向量，那么矩阵A的列向量表示为：

其中，e1，e2，...，en为矩阵A的特征向量 。

若矩阵A是对称矩阵，那么特征向量为正交向量 ，我们对上式结合成矩阵的形式：

由上式可知， 对称矩阵A在各特征向量的投影等于矩阵列向量展开后的系数，特征向量可理解为基向量 。

2. 向量降维和矩阵降维含义

向量降维可以通过投影的方式实现 ，N维向量映射为M维向量转换为N维向量在M个基向量的投影，如N维向量 ，M个基向量分别为 ， 在基向量的投影：

通过上式完成了降维，降维后的坐标为：

矩阵是由多个列向量组成的，因此 矩阵降维思想与向量降维思想一样 ，只要求得矩阵在各基向量的投影即可，基向量可以理解为新的坐标系，投影就是降维后的坐标，那么问题来了， 如何选择基向量 ？

3. 基向量选择算法

已知样本集的分布，如下图：

样本集共有两个特征x1和x2，现在对该样本数据从二维降到一维，图中列了两个基向量u1和u2，样本集在两个向量的投影表示了不同的降维方法，哪种方法好，需要有评判标准： （1）降维前后样本点的总距离足够近，即最小投影距离；（2）降维后的样本点（投影）尽可能的散开，即最大投影方差 。因此，根据上面两个评判标准可知选择基向量u1较好。

我们知道了基向量的选择标准，下面介绍基于这两个评判标准来推导基向量：

（1）基于最小投影距离

假设有n个n维数据 ，记为X。现在对该数据从n维降到m维， 关键是找到m个基向量 ，假设基向量为{w1,w2,...,wm}，记为矩阵W，矩阵W的大小是n×m。

原始数据在基向量的投影：

投影坐标计算公式：

根据投影坐标和基向量， 得到该样本的映射点 ：

最小化样本和映射点的总距离 ：

推导上式，得到最小值对应的基向量矩阵W，推导过程如下：

所以我们选择 的特征向量作为投影的基向量 。

(2) 基于最大投影方差

我们希望降维后的样本点尽可能分散， 方差可以表示这种分散程度 。

如上图所示， 表示原始数据， 表示投影数据， 表示投影数据的平均值。所以最大化投影方差表示为：

下面推导上式，得到相应的基向量矩阵W ，推导过程如下：

我们发现(4)式与上一节的(13)式是相同的。

因此，基向量矩阵W满足下式：

小结 ： 降维通过样本数据投影到基向量实现的，基向量的个数等于降维的个数，基向量是通过上式求解的 。

4. 基向量个数的确定

我们知道怎么求解基向量，但是我们事先确定了基向量的个数，如上节的m个基向量， 那么怎么根据样本数据自动的选择基向量的个数了？ 在回答这一问题前，简单阐述下特征向量和特征值的意义。

假设向量wi，λi分别为 的特征向量和特征值，表达式如下：

对应的图：

由上图可知， 没有改变特征向量wi的方向，只在wi的方向上伸缩或压缩了λi倍。特征值代表了 在该特征向量的信息分量。特征值越大，包含矩阵 的信息分量亦越大 。因此，我们可以用λi去选择基向量个数。我们设定一个阈值threshold，该阈值表示降维后的数据保留原始数据的信息量，假设降维后的特征个数为m，降维前的特征个数为n，m应满足下面条件：

因此， 通过上式可以求得基向量的个数m，即取前m个最大特征值对应的基向量 。

投影的基向量：

投影的数据集：

5. 中心化的作用

我们在计算协方差矩阵 的特征向量前，需要对样本数据进行中心化，中心化的算法如下：

中心化数据各特征的平均值为0 ，计算过程如下：

对上式求平均：

中心化的目的是简化算法，我们重新回顾下协方差矩阵，以说明中心化的作用 。

， X表示共有n个样本数。

每个样本包含n个特征，即：

展开 :

为了阅读方便，我们只考虑两个特征的协方差矩阵 ：

由(3)式推导(2)式得：

所以 是样本数据的协方差矩阵，但是，切记必须事先对数据进行中心化处理 。

6. PCA算法流程

1）样本数据中心化。

2）计算样本的协方差矩阵 。

3）求协方差矩阵 的特征值和特征向量，并对该向量进行标准化（基向量）。

3）根据设定的阈值，求满足以下条件的降维数m。

4）取前m个最大特征值对应的向量，记为W。

5）对样本集的每一个样本 ，映射为新的样本 。

6）得到映射后的样本集D'。

7. 核主成分分析（KPCA）介绍

因为 可以用样本数据内积表示