Part I/ Chapter 2 线性代数基础2 实例：PCA

标签：机器学习   ||   chap   输出   简单   编码   基础   component   原来   

主成分分析（principal components analysis,PCA）

用基础的线性代数知识能够推导出主成分分析（principal components analysis,PCA）这一简单的机器学习算法。

1、出发点：在n维实线性空间中我们有m个点的集合{x⁽¹⁾,x⁽²⁾,...,x^(m)}，对这些点进行有损压缩，希望在压缩的过程中损失的精度尽可能少。一种编码的方式就是用低维来表示高维，就是说对于这m个点中的每一个点x⁽ⁱ⁾，都对应着一个l维的编码向量c⁽ⁱ⁾，如果c⁽ⁱ⁾的维度低于x⁽ⁱ⁾,那么我们就实现了用更少的内存来存储原有数据。

2、我们的目的变为：①寻找一个编码函数，使得f(x)=c ②寻找一个解码函数，使得x≈g(f(x))。

3、为了简化解码器，我们用矩阵乘法的方式将编码c映射回原来的n维空间中，即g(c)=Dc，其中D就是定义解码的n×l维矩阵，为了简化编码问题，我们限制D中所有列向量具有单位范数且互相正交。严格意义上讲，除非l=n，D是一个非正交矩阵。

4、编码：输入x→最优编码c^*：最小化输入x与重构输出g(c^*)之间的距离，即c^*=argmin||x-g(c)||₂，通过线性代数的运算以及向量微积分，可以得到c=D^Tx，因此，获得编码函数f(x)=D^Tx。

5、解码：r(x)=g(f(x))=DD^Tx，重构时挑选编码矩阵D，由于使用相同的一个矩阵D对所有点进行解码，因此需要最小化所有维数和所有点上的误差矩阵的Frobenius范数。可以从l=1开始求解，经过运算得到，l=1时的最优的d是X^TX的最大特征值对应的特征向量，这样仅仅得到了第一个主成分，更一般地，如果想要得到主成分的基时，矩阵D由前l个最大的特征值对应的特征向量组成。

Part I/ Chapter 2 线性代数基础2 实例：PCA

标签：机器学习   ||   chap   输出   简单   编码   基础   component   原来   

原文地址：https://www.cnblogs.com/rainton-z/p/11615600.html