论SVD和PCA的渊源

因为最近接触到基于SVD算法的相关算法，所以这几天就细细看了SVD算法的相关内容，又一连串的引出PCA算法的内容。
今天就好好的把它们俩整理一下。

1.SVD

     其实之前做算法相关时，也有了解到SVD算法，但一直都是似懂非懂。这里首先给出SVD算法的定义，

     除了定义，我们还可以提前知道SVD常用于降噪、数据分析等需要矩阵分解的应用里。SVD算法对于矩阵的分解提供了一种很好的可行方案。M = UΣVT。 这就表明任意的矩阵 M 是可以分解成三个矩阵。V 表示了原始域的标准正交基，u 表示经过 M 变换后的co-domain的标准正交基，Σ 表示了V 中的向量与u 中相对应向量之间的关系。
  
     但是我们最好是从SVD的几何意义中来理解SVD算法到底具体应用是怎么样的，AMS网站上有一片博客很清晰的讲了什么是  Singular Value Decomposition，有博主也将它翻译出来作为参考学习了。简而言之，它从几何意义上讲了二维的SVD：对于任意的 2 x 2 矩阵，通过SVD可以将一个相互垂直的网格(orthogonal grid)变换到另外一个相互垂直的网格！

     在向量的格式上，就是进行一次标准的变换，任意的矩阵可以分解为三个矩阵，三个矩阵分别为原始的标准正交基、变换后的标准正交基以及这个变换之间的关系，这个关系是一个对角矩阵，对角线上的元素表示两组标准正交基的特征关系。

2.PCA

        PCA（Principal Component Analysis）是一种数据分析的方法，通常用于降维，提取主要特征量。周志华的机器学习第十章就是专门讲的降维和度量学习，这里我就简单提一嘴什么是降维（dimension reduction），因为我之后肯定会单独整理第十章的内容的。

        什么是降维？维度是在我们机器学习中必须遇到见到甚至熟悉的概念。有许多机器学习设计的数据网络都存在高维空间，高维空间会给距离计算带来很大的麻烦，所以在实际应用中我们可以选择降维来缓解维数灾难。所以言归正传，姜维就是通过某种数学变换将原始高维属性空间转变为一个低维“子空间”，当然这会导致子空间中样本密度的提高。

       PCA的全名叫做主成分分析，顾名思义就是找出数据里面的主要部分，用数据里面最主要的部分来代替原始数据。使用更低维度的数据来代表高维的原始数据，但是这样不可避免地会导致损失的出现，怎么样让我们总的损失最小，就是需要考虑衡量的一个问题。所以要进行PCA，我们主要需要考虑的两个方面是：（1）“方差”最大（2）“误差”最小。

      第一个需要讨论的就是：最大可分性。要想找到最具特征且最能将数据分开的数据。现实的数据集中，会有很对具有一定相关性的数据，我们的任务就是在这里面选出差异最大，区分能力最强的“特性”。

      第二个需要讨论的是：最近重构性。怎么说呢，关于最近重构性我是这样理解的。从一堆能“重建”新特性的旧特性中选出距离和我们的“基”坐标最近的数据。下图的图形中有一个十字坐标，这个十字坐标是一个“基”坐标，“方差”就是红点到黑色的中心圆圈的距离平方的平均值，“误差”表示蓝色小点到投影到直线上的红色小点的距离。由此我们很明显的可以得到我们的所需要方向，从这个方向来构建基变换，就能达到我们的目的，实现最大可分性。

        而我们的PCA就是这样一种可用于降维的分析方法，下面给出PCA算法步骤：

本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场，不承担相关法律责任。如若转载，请注明出处。 如若内容造成侵权/违法违规/事实不符，请点击【内容举报】进行投诉反馈！