机器学习：对数据进行降维（PCA和SVD）

目录

前言

一、PCA

1.PCA是什么？

2.PCA的实现使用步骤

3.PCA参数解释

4.代码实现

5.PCA的优缺点

二、SVD

1.SVD是什么？

2.SVD的实现步骤

3.代码实现

总结

---

前言

        数据降维是将高维数据转换为较低维度的过程，同时尽量保留数据中的关键信息。这有助于减少计算复杂性、减轻噪声影响，并可能揭示数据中的潜在模式。常用的降维技术包括主成分分析（PCA）、奇异值分解(SVD)等。

 

一、PCA

1.PCA是什么？

         主成分分析（PCA）是一种降维技术，用于将数据投影到低维空间，同时尽可能保留数据的方差。使用 PCA 可以提高计算效率，减少噪音，并发现数据中的重要模式

 

2.PCA的实现使用步骤

1. 数据标准化：将数据缩放到均值为0、方差为1的标准范围，以确保不同特征对分析的贡献相同。
2. 计算协方差矩阵：通过计算特征之间的协方差，来了解特征间的关系。
3. 求解特征值和特征向量：对协方差矩阵进行特征值分解，得到特征值和对应的特征向量。
4. 选择主成分：根据特征值的大小选择前几个最大的特征值所对应的特征向量，这些特征向量构成新的特征空间。
5. 转换数据：将原始数据投影到新的特征空间中，得到降维后的数据。

 

3.PCA参数解释

导入方式

from sklearn.decompsition import PCAPCA(n_components=None, copy=True, whiten=False, svd_solver=’auto’, tol=0.0
, iterated_power=’auto’, random_state=None)

主要参数：

n_components：这个参数可以帮我们指定希望PCA降维后的特征维度数目。简单来说：指定整数，表示要降维到的目标，【比如十维的数据，指定n_components=5，表示将十维数据降维到五维】如果为小数，表示累计方差百分比。0.9

copy : 类型：bool，True或者False，缺省时默认为True。

意义：表示是否在运行算法时，将原始训练数据复制一份。若为True，则运行PCA算法后，原始训练数据的值不会有任何改变，因为是在原始数据的副本上进行运算；若为False，则运行PCA算法后，原始训练数据的值会改，因为是在原始数据上进行降维计算。【按默认为True】

whiten：判断是否进行白化。所谓白化，就是对降维后的数据的每个特征进行归一化，让方差都为1.对于PCA降维本身来说，一般不需要白化。如果你PCA降维后有后续的数据处理动作，可以考虑白化。默认值是False，即不进行白化。

主要属性：

components_：array, shape (n_components, n_features) 指表示主成分系数矩阵

explained_variance_：降维后的各主成分的方差值。方差值越大，则说明越是重要的主成分。

explained_variance_ratio_：降维后的各主成分的方差值占总方差值的比例，这个比例越大，则越是重要的主成分。【一般看比例即可 >90%】

 

4.代码实现

• 这段代码是对鸢尾花的数据进行降维，然后使用逻辑回归进行分类

'''PCA降维只能捕捉线性关系，不适用于非线性数据'''import pandas as pddata = pd.read_excel('hua.xlsx')x = data.iloc[:, :-1]
y = data.iloc[:, -1]'''对特征进行降维'''
from sklearn.decomposition import PCApca = PCA(n_components=0.9)  # 设置n_components=0.9表示保留足够的主成分  以解释至少90%的数据方差pca.fit(x)  # 使用数据 x 训练PCA模型，计算数据的主成分。print(f"特征所占百分比:{sum(pca.explained_variance_ratio_)}")
print(pca.explained_variance_ratio_)
print(pca.explained_variance_)new_x = pca.transform(x)  # 将原始数据 x 投影到选定的主成分上 new_x = pca.fit_transform(x) 可以省去pca.fit(x)
print(new_x)from sklearn.model_selection import train_test_splitx_train, x_test, y_train, y_test = \train_test_split(new_x, y, test_size=0.2, random_state=0)from sklearn.linear_model import LogisticRegressionlg = LogisticRegression(C=2)
lg.fit(x_train, y_train)from sklearn import metricstrain_pre = lg.predict(x_train)
print(metrics.classification_report(y_train, train_pre))test_pre = lg.predict(x_test)
print(metrics.classification_report(y_test, test_pre))'''不进行降维'''
from sklearn.model_selection import train_test_splitx_train, x_test, y_train, y_test = \train_test_split(x, y, test_size=0.2, random_state=0)from sklearn.linear_model import LogisticRegressionlg = LogisticRegression()
lg.fit(x_train, y_train)from sklearn import metricstrain_pre = lg.predict(x_train)
print(metrics.classification_report(y_train, train_pre))test_pre = lg.predict(x_test)
print(metrics.classification_report(y_test, test_pre))

输出：

• 上面一个混淆矩阵是降维之后的
• 下面一个混淆矩阵是降维之前的
• 说明进行降维不一定能提高模型的正确率

特征所占百分比:0.9287327483408421
[0.84389796 0.08483479]   # 主成分特征所占百分比
[1.2415529  0.12480997]   # 主成分特征的方差precision    recall  f1-score   support0       0.92      0.96      0.94        251       0.96      0.93      0.94        27accuracy                           0.94        52macro avg       0.94      0.94      0.94        52
weighted avg       0.94      0.94      0.94        52precision    recall  f1-score   support0       0.96      0.92      0.94        251       0.93      0.96      0.95        27accuracy                           0.94        52macro avg       0.94      0.94      0.94        52
weighted avg       0.94      0.94      0.94        52

 

5.PCA的优缺点

• 优点:
  • 1.计算方法简单，容易实现。
  • 2.可以减少指标筛选的工作量。
  • 3.消除变量间的多重共线性。
  • 4.在一定程度上能减少噪声数据。
• 缺点:
  • 1.特征必须是连续型变量。
  • 2.无法解释降维后的数据是什么。
  • 3.贡献率小的成分有可能更重要。

 

二、SVD

1.SVD是什么？

奇异值分解（SVD）是一种矩阵分解技术，用于将任意矩阵 A 分解为三个矩阵的乘积：                                                        A=UΣVT

其中：

• U 是一个正交矩阵，包含了 A 的左奇异向量。
• Σ 是一个对角矩阵，包含了奇异值。
• VT 是 A 的右奇异向量的转置。

 

2.SVD的实现步骤

1. 计算协方差矩阵（如果适用）：对于数据矩阵，计算其协方差矩阵。
2. 进行 SVD 分解：将矩阵 A 分解为 U, Σ, 和 VT，即 A=UΣVT。
3. 提取奇异值：从 Σ 中提取奇异值，按降序排列。
4. 选择主成分（如需要）：选择前几个最大的奇异值对应的列，从 U 和 VT 中提取相应的向量。
5. 构建低秩近似（如需要）：使用选定的奇异值和对应的向量构建矩阵的低秩近似。

 

3.代码实现
 

• 因为SVD是对矩阵进行降维，所以先把图片转换成矩阵格式，即数组
• 然后对其进行奇异值分解，得到u，sig和vt三个矩阵
• 然后选取u矩阵前k行，sig的对角矩阵和vt矩阵前k列组合压缩之后的图片

import numpy as np
import matplotlib.pyplot as plt
from PIL import Imagedef pic_compress(k, pic_array):global u, sigma, vt, sig, new_picu, sigma, vt = np.linalg.svd(pic_array)  # 进行奇异值分解sig = np.eye(k) * sigma[:k]new_pic = np.dot(np.dot(u[:, :k], sig), vt[:k, :])size = u.shape[0] * k + sig.shape[0] * sig.shape[1] + k * vt.shape[1]return new_pic, sizeimg = Image.open('a.jpg')
ori_img = np.array(img)
new_img, size = pic_compress(100, ori_img)  # 压缩的维度
print('original size:' + str(ori_img.shape[0] * ori_img.shape[1]))
print('original size:' + str(size))
fig, ax = plt.subplots(1, 2)
ax[0].imshow(ori_img, cmap='gray')
ax[0].set_title('before compress')
ax[1].imshow(new_img, cmap='gray')
ax[1].set_title('after compress')
plt.show()

输出：

第一行是原图所占空间大小，第二行是压缩之后所占空间大小

original size:1365760
compress size:244700

 

总结

        数据降维不一定能提高模型的正确率，但是可以帮助我们更快速地处理数据