PCA(principal components analysis)即主成分分析技術,又稱主分量分析。主成分分析也稱主分量分析,旨在利用降維的思想,把多指標轉化爲少數幾個綜合指標。
在統計學中,主成分分析PCA是一種簡化數據集的技術。它是一個線性變換。這個變換把數據變換到一個新的座標系統中,使得任何數據投影的第一大方差在第一個座標(稱爲第一主成分)上,第二大方差在第二個座標(第二主成分)上,依次類推。主成分分析經常用於減少數據集的維數,同時保持數據集的對方差貢獻最大的特徵。這是通過保留低階主成分,忽略高階主成分做到的。這樣低階成分往往能夠保留住數據的最重要方面。但是,這也不是一定的,要視具體應用而定。
——百度百科
算法描述
優缺點
- 優點:降低數據的複雜性,識別最重要的多個特徵
- 缺點:不一定需要,且可能損失有用信息
- 適用數據類型:數值型數據
算法思路
PCA是一種線性變換,將數據變化到新的座標系統中,得到的數據投影的第一大方差在第一個座標上,第二大方差在第二個座標上,依此類推。我們可以通過數據集的協方差得到這些值。
僞代碼如下:
1.去除平均值
2.計算協方差矩陣
3.計算協方差矩陣的特徵值和特徵向量(調用linalg.eig())
4.特徵值從大到小排序
5.保留最上面的N個特徵向量
6.將數據轉換到上述N個特徵向量構建的新空間中
一個栗子
#coding:utf-8
from numpy import *
def loadDataSet(fileName, delim='\t'):
fr = open(fileName)
stringArr = [line.strip().split(delim) for line in fr.readlines()]
datArr = [map(float,line) for line in stringArr]
return mat(datArr)
def pca(dataMat, topNfeat=9999999):
meanVals = mean(dataMat, axis=0)
meanRemoved = dataMat - meanVals #remove mean
covMat = cov(meanRemoved, rowvar=0)
eigVals,eigVects = linalg.eig(mat(covMat))
eigValInd = argsort(eigVals) #sort, sort goes smallest to largest
eigValInd = eigValInd[:-(topNfeat+1):-1] #cut off unwanted dimensions
redEigVects = eigVects[:,eigValInd] #reorganize eig vects largest to smallest
lowDDataMat = meanRemoved * redEigVects#transform data into new dimensions
reconMat = (lowDDataMat * redEigVects.T) + meanVals
return lowDDataMat, reconMat
def replaceNanWithMean():
datMat = loadDataSet('secom.data', ' ')
numFeat = shape(datMat)[1]
for i in range(numFeat):
meanVal = mean(datMat[nonzero(~isnan(datMat[:,i].A))[0],i]) #values that are not NaN (a number)
datMat[nonzero(isnan(datMat[:,i].A))[0],i] = meanVal #set NaN values to mean
return datMat
dataMat=replaceNanWithMean() #替換爲平均值
meanVals=mean(dataMat,axis=0) #計算平均值
meanRemoved=dataMat-meanVals
covMat=cov(meanRemoved,rowvar=0)#計算協方差
eigVals,eigVects=linalg.eig(mat(covMat)) #特徵值,特徵向量
print(eigVals)
結果: