码迷,mamicode.com
首页 > 其他好文 > 详细

Sparse PCA 稀疏主成分分析

时间:2019-10-10 09:12:28      阅读:139      评论:0      收藏:0      [点我收藏+]

标签:截断   遇到的问题   south   name   org   vector   from   one   标签   

Sparse PCA 稀疏主成分分析

版权声明:本文为博主原创文章,遵循 CC 4.0 BY-SA 版权协议,转载请附上原文出处链接和本声明。
本文链接:https://blog.csdn.net/zhoudi2010/article/details/53489319

SPCA原始文献:H. Zou (2006) Sparse principal component analysis 
PCA 可以参考: The Elements of Statistical Learning 第十四章 
主成分分析的基本思想以及R的应用可以参考:稀疏主成分分析与R应用 
关于统计学习中的稀疏算法可以参考:Statistical learning with sparsity: the lasso and generalizations 
一份很好的文档:http://www.cs.utexas.edu/~rashish/sparse_pca.pdf

首先直接来看算法:

技术图片

  1. 令A初始化为V[,1:k],即为前k个principal components的loading vectors.
  2. 对于给定的A=[α1,,αk]A=[α1,…,αk] , 优化elastic net: 
    βj=argmaxβ(αiβ)TXTX(αiβ)+λβ2+λ1,jβ1βj=argmaxβ(αi−β)TXTX(αi−β)+λ‖β‖2+λ1,j‖β‖1
  3. 对于给定的B=[β1,,βk]B=[β1,…,βk], 计算XTXBXTXB的SVD,更新A=UVTA=UVT.
  4. 重复2-3步,直到收敛.
  5. Normalization之后得到ViVi

接下来对该算法进行必要的解释: 
想要得到稀疏的结果,核心思想是在优化参数时加入 L1L1 penalty. 另外,如果我们将PCA问题转化为regression问题,那么就达到了求解稀疏主成分的目的了。

H. Zou (2006)的Theorem 1就提出了PCA和Regression的联系。即:如果我们已经知道由SVD得到的principal components, 那么ridge estimates就是ViVi. 
βridge=argmaxβZiXβ2+λβ2βridge=argmaxβ‖Zi−Xβ‖2+λ‖β‖2 
如果在上式中加入L1L1 penalty: λ1β1λ1‖β‖1,那么就可以得到了sparse PCs. 但是这是一个仍然依赖PCA的结果,我们想要得到一个self-contained的方法。

所以新的优化问题是这样的形式:

技术图片

第二项和第三项是elastic net,或者理解为ridge+lasso. 第一项则和之前的形式有些不同。如果我们令A=BA=B,那么第一项就变成了xiAATxi2‖xi−AATxi‖2, 这个形式就是PCA的形式(注释1).

这一步我们遇到的问题是: 
1. AA 和 BB 我们都不知道,如果同时优化,能量方程并不是凸优化问题,但固定其中一个变量,则为凸优化问题。 
2. xiABTxi2‖xi−ABTxi‖2 形式不方便elastic net优化

解决思路是: 
1. 将问题转化为:如果AA已知,求BB;然后根据求得的BB,求AA,如此迭代。 
2. 将xiABTxi2‖xi−ABTxi‖2 形式转化为YXTβ2‖Y−XTβ‖2 形式。

先说问题2的解决方法(注释2): 
技术图片

Y=XαjY∗=Xαj

就得到了最终需要的形式:

技术图片

再说问题1的算法,也就是文章最开始提到的算法中的2,3步(注释3):

技术图片

如此这般,SPCA就ok了!



不过,还有几个小问题:

注释1处 为什么A=BA=B就退化成了PCA?

具体可以参考The Elements of Statistical Learning 14.5

我们为了最小化reconstruction error: 
xiμVqλi2‖xi−μ−Vqλi‖2 
得到 λ^i=V?q(xix¯)λ^i=Vq?(xi−x¯) 
将其带入error,可以得到orthogonal matrix VqVq使其最小化: 
(xix¯)VqV?q(xix¯)2‖(xi−x¯)−VqVq?(xi−x¯)‖2

VqV?qVqVq?就是projection matrix.

所以A=BA=B,AA就相当于VV.

注释2处 这个转化怎么得到的?

XXBA?2‖X−XBA?‖2 = XA2‖XA⊥‖2 + XAXB2‖XA−XB‖2

注意到AA为orthonomal,AA⊥也是orthonomal matrix并且使得[A;A][A;A⊥]是p×pp×p orthonomal matrix.

所以将 XXBA?2‖X−XBA?‖2 投影到AA 和AA⊥可以得到 :

XXBA?2‖X−XBA?‖2 
(XXBA?)A2‖(X−XBA?)A⊥‖2 + (XXBA?)A2‖(X−XBA?)A‖2 
XA2‖XA⊥‖2 +XAXB2‖XA−XB‖2

注释3处 A given B 怎么证明?

需要用到Procrustes Rotation的结论:

技术图片

技术图片

(A.7)是squared Frobenius matrix norm, 所以 X2=trace(X?X)‖X‖2=trace(X?X).

Procrustes (普洛克路斯忒斯)是希腊神话中的一名强盗。他是海神波塞冬的儿子,在从雅典到埃莱夫西纳的路上开设黑店,拦截行人。店内设有一张铁床,旅客投宿时,将身高者截断,身矮者则强行拉长,使与床的长短相等。而由于普洛克路斯忒斯秘密地拥有两张长度不同的床,所以无人能因身高恰好与床相等而幸免。后来英雄忒修斯前往雅典时,路过此地,将其杀死。(From Wiki)

Sparse PCA 稀疏主成分分析

标签:截断   遇到的问题   south   name   org   vector   from   one   标签   

原文地址:https://www.cnblogs.com/think90/p/11645718.html

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!