标签：
主成分分析主要用于数据的降维。原始数据中数据特征的维度可能是很多的，但是这些特征并不一定都是重要的，如果我们能够将数据特征进行精简，不但能够减少存储空间，而且也有可能降低数据中的噪声干扰。
举个例子：这里有一组数据，如下 表1
2.5 1.2 -2.3 -2.8 -1 0.3
3.3 0.8 -1.8 -2.5 -0.8 0.2
每一列代表一组数据，每一行代表一种特征，可见有2个特征，即数据是2维的，我们所要做的是尽可能的降低数据复杂度，同时也要保证数据中的信息不丢失。
将2维的数据画在坐标系中，我们发现如果以红色的轴作为x轴（y轴与x轴垂直），那么就可以数据坐标值就变成了，x轴方向值差距较大，而y轴方向值想接近，也可以用方差来描述，x轴方向的方差较大，y轴方向的方差较小，那么如果允许少量的信息失去，仅留下x轴方向的值，那么原数据就由2维降到了1维，这就是主成分分析的主要原理，由此可见，主要就是“坐标轴的变换”，将原来2维的数据“投影”到这个1维的轴上，那么方法的关键就是如何找到这个新的“坐标轴”。
直观地理解，因为我们想尽可能的保留信息，所以在垂直于这个“新坐标轴”的方向上数据点的分布应该尽量的“扁”一些，换句话说，就是数据点在“新坐标轴”上的分布尽量的分散一些，用数学的语言表达就是使得数据点在“新坐标轴”上投影的方差尽量的大。这样，不同的两个点，投影之后也不是重叠的，最大地保留了信息。保留方差大的维度，忽略方差较小的维度，以此来降维。下面给出方差公式：
这样就足够了吗？
我们考虑一组数据从3维降为2维的情况。也就是说要找到2个“新坐标轴”，那么该如何选，前面已经知道，我们要尽量使得数据在新坐标轴方向的投影尽量的分散，也就是方差尽量的大。同时这两条坐标轴一定要正交（你可以理解为垂直）。
为什么一定要这样呢？
因为如果两个坐标轴不互相垂直，那么其中一条坐标轴一定可以沿另一条坐标轴方向分解，这样这两条坐标轴所表达的“信息”事实是有重叠的，所以要让两条坐标轴表达的“信息”相互独立，即“新坐标轴”要正交。
这个用数学的语言来表达就是所有的数据在两个“新坐标轴”的投影的协方差为0，即关于特征的两个行向量协方差为0。这个“新坐标轴”也被称为基，这个坐标轴变换也被称为基变换。
下面是协方差公式：
（X,Y表示两个维度的数据，相当于表1中的两行）
总结一下，就是两个方面：
1）行向量的方差尽量大，Cov(X,X) Cov(Y,Y) (方差)
2）行向量间的协方差为0 Cov(X,Y) Cov(Y,X)
列向量指的是数据降维后在“新坐标轴”投影的下的值所组成的向量
我们将这两个方面组合一个矩阵，这个矩阵称为协方差矩阵，我们的目标是使得其对角线以外的协方差为0，对角线上尽量保留方差大的维度（忽略方差较小的维度，以此来降维）。
那么这个协方差矩阵如何快速得到？
由协方差的计算公式我们可以得到，将原矩阵每行都减去该行的均值，得到矩阵A，然后矩阵A乘以矩阵A的转置，最后除以N-1(N是矩阵行数)
那么如何求得”新坐标轴“（一组基）和原始数据在”新坐标轴“下的表示？
（下面引用张洋的博客，因为他写的实在太精彩了）
设原始数据矩阵X对应的协方差矩阵为C，而P是一组基按行组成的矩阵，设Y=PX，则Y为X对P做基变换后的数据（Y即为压缩后的数据）。设Y的协方差矩阵为D，我们推导一下D与C的关系：
现在事情很明白了！我们要找的P不是别的，而是能让原始协方差矩阵对角化的P。换句话说，优化目标变成了寻找一个矩阵P，满足（公式）是一个对角矩阵，并且对角元素按从大到小依次排列，那么P的前K行就是要寻找的基，用P的前K行组成的矩阵乘以X就使得X从N维降到了K维并满足上述优化条件。
（想看更加详细的解释，请移步 http://blog.codinglabs.org/articles/pca-tutorial.html）
关于矩阵P的求法，由于协方差矩阵C是实对称阵，只要求出协方差矩阵C的特征值及对应的特征向量，将特征向量按对应特征值大小从上到下按行排列成矩阵，取前k行组成矩阵P
我们先介绍主成分分析法的原理，再来体验一下计算过程(使用Matlab)。
首先初始化矩阵
矩阵减去每行的均值
计算协方差矩阵C
求解协方差矩阵的特征向量和特征值
则P = eigenvectors
由于38.0823>0.5460
保留第二个特征向量（-0.7175, -0.6966）
计算压缩后的数据Y
参考博客：
http://blog.codinglabs.org/articles/pca-tutorial.html
http://www.360doc.com/content/14/0526/06/15831056_380900310.shtml
标签：
原文地址：http://www.cnblogs.com/coolalan/p/4779923.html
