引入
想象这样一个场景:通过电视看足球比赛时,屏幕显示器大概包含了100万像素,而球则是由较少的像素组成的,比如说一千个。在大部分体育比赛中,我们关注的是实时球的位置。人的大脑想了解比赛的进展,就需要了解球在运动场的位置。当然,于人而言,这一过程十分自然,甚至不需要做任何思考,就能将显示器上的百万像素转换为三维。
上述例子中,虽然原有数据是百万像素的,但是只有球的位置才是最重要的,这就被称为降维(dimension-ality reduction)。
降维的好处在于:
1)在低维下,数据更容易处理;
2)在低维下,数据的相关特征可能明显地显示出来。
主要内容如下:
1)降维技术综述;
2)主成分分析;
3)示例:PCA的工作过程。
1 降维技术
对数据降维的原因在于:
1)方便数据和结果的展示;
2)使得数据集更易使用;
3)降低许多算法的计算开销;
4)去除噪声;
5)使得结果易懂。
在已标注与未标注数据上都有降维技术,这里主要关注未标记数据上的降维技术,该技术同时也可用于已标注的数据。
第一种降维的方法称为主成分分析(Principal Component Analysis, PCA)。在PCA中,数据从原来的坐标系转换到了新的坐标系,新坐标系的选择时由数据本身决定的。第一个新坐标轴选择的是原始数据中方差最大的方向,第二个新坐标系的选择和第一个坐标轴正交且具有最大方差的方向。该过程一直重复,重复次数为原始数据中特征的数目。
我们会发现,大部分方差都包含在最前面的几个新坐标系中。因此可以忽略余下的坐标轴,即对数据进行降维处理。
第二中降维的方法称为因子分析(Factor Analysis)。在因子分析中,我们假设在观察数据的生成中还有一些观察不到的隐变量(latent variable)。假设观察数据是这些隐变量和某些噪声的线性组合。那么隐变量的数据可能比观察数据的数目少,也就是说通过找到隐变量就可以实现数据的降维。
第三种降维的方法称为独立成分分析(Independent Component Analysis, ICA)。ICA假设数据是从N个数据源生成的,这一点和因子分析类似。假设数据为多个数据源的混合观察结果,这些数据源之间在统计上是相互独立的,而在PCA中只是假设数据是不相关的。同因子分析一样,如果数据源的数目少于观察数据的数目,则可以实现降维。
此处只关注PCA。