前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >数据处理之PCA

数据处理之PCA

作者头像
zhuanxu
发布2018-08-23 13:03:50
1.3K0
发布2018-08-23 13:03:50
举报
文章被收录于专栏:进击的程序猿进击的程序猿

推荐好文PCA的数学原理 本文将会用Python来实现PCA,帮助更好的理解

视频地址:https://www.youtube.com/watch?v=koiTTim4M-s notebook地址:https://github.com/zhuanxuhit/nd101/blob/master/1.Intro_to_Deep_Learning/5.How_to_Make_Data_Amazing/pca_demo.ipynb 参考文章:https://plot.ly/ipython-notebooks/principal-component-analysis/

1. 获取数据

我们用的数据是150个鸢尾花,然后通过4个维度刻画

代码语言:javascript
复制
%matplotlib inline
%config InlineBackend.figure_format = 'retina'
import pandas as pd

df = pd.read_csv(
    filepath_or_buffer='https://archive.ics.uci.edu/ml/machine-learning-databases/iris/iris.data', 
    header=None, 
    sep=',')

df.columns=['sepal_len', 'sepal_wid', 'petal_len', 'petal_wid', 'class']
df.dropna(how="all", inplace=True) # drops the empty line at file-end

df.head()
代码语言:javascript
复制
X = df.ix[:,0:4].values
y = df.ix[:,4].values

现在上面数据处理后,x是一个150 * 4 的矩阵,每一行都是一个样本,y是一个 150 * 1 是向量,每个都是一个分类

我们下一步是来看3类型的花怎么分布在4个特征上,我们可以通过直方图来展示

代码语言:javascript
复制
import plotly.plotly as py
from plotly.graph_objs import *
import plotly.tools as tls
代码语言:javascript
复制
# plotting histograms
tls.set_credentials_file(username='zhuanxuhit', api_key='30dCVmghG2CqKQqfSzsu')

traces = []

legend = {0:False, 1:False, 2:False, 3:True}

colors = {'Iris-setosa': 'rgb(31, 119, 180)', 
          'Iris-versicolor': 'rgb(255, 127, 14)', 
          'Iris-virginica': 'rgb(44, 160, 44)'}

for col in range(4):
    for key in colors:
        traces.append(Histogram(x=X[y==key, col], 
                        opacity=0.75,
                        xaxis='x%s' %(col+1),
                        marker=Marker(color=colors[key]),
                        name=key,
                        showlegend=legend[col]))

data = Data(traces)

layout = Layout(barmode='overlay',
                xaxis=XAxis(domain=[0, 0.25], title='sepal length (cm)'),
                xaxis2=XAxis(domain=[0.3, 0.5], title='sepal width (cm)'),
                xaxis3=XAxis(domain=[0.55, 0.75], title='petal length (cm)'),
                xaxis4=XAxis(domain=[0.8, 1], title='petal width (cm)'),
                yaxis=YAxis(title='count'),
                title='Distribution of the different Iris flower features')

fig = Figure(data=data, layout=layout)
py.iplot(fig,filename = 'basic-line')

Paste_Image.png

规范化

我们将数据转化为 mean=0 and variance=1 的数据

代码语言:javascript
复制
from sklearn.preprocessing import StandardScaler
X_std = StandardScaler().fit_transform(X)
代码语言:javascript
复制
X_std.shape
代码语言:javascript
复制
(150, 4)
代码语言:javascript
复制
import numpy as np
mean_vec = X_std.mean(axis=0)
mean_vec # 均值为0
代码语言:javascript
复制
array([ -4.73695157e-16,  -6.63173220e-16,   3.31586610e-16,
        -2.84217094e-16])
代码语言:javascript
复制
X_std.std(axis=0) # 方差为1
代码语言:javascript
复制
array([ 1.,  1.,  1.,  1.])
代码语言:javascript
复制
# 获得原矩阵的信息
scaler = StandardScaler().fit(X)
代码语言:javascript
复制
scaler.mean_
代码语言:javascript
复制
array([ 5.84333333,  3.054     ,  3.75866667,  1.19866667])
代码语言:javascript
复制
scaler.scale_
代码语言:javascript
复制
array([ 0.82530129,  0.43214658,  1.75852918,  0.76061262])
代码语言:javascript
复制
x_scale = scaler.transform(X) 
代码语言:javascript
复制
# np.mean(x_scale,axis=0) # 均值为0

特征分解

下一步我们就做PCA的核心:计算特征值和特征向量 列举下目前我们的状态

  1. 我们有150个4维的数据,组成了 4 * 150的矩阵 X
  2. 假设 C = 1/150 * X * T(X), 则C是一个对称矩阵,而且是 4 * 4 的,其对角是各个字段的方差,而第i行j列和j行i列元素相同,表示i和j两个字段的协方差。
代码语言:javascript
复制
X_scale = X_std.T
X_scale.shape
代码语言:javascript
复制
(4, 150)
代码语言:javascript
复制
cov_mat = X_scale.dot(X_scale.T)/X_scale.shape[1]
print('Covariance matrix \n%s' %cov_mat)
代码语言:javascript
复制
Covariance matrix 
[[ 1.         -0.10936925  0.87175416  0.81795363]
 [-0.10936925  1.         -0.4205161  -0.35654409]
 [ 0.87175416 -0.4205161   1.          0.9627571 ]
 [ 0.81795363 -0.35654409  0.9627571   1.        ]]
代码语言:javascript
复制
print('NumPy covariance matrix: \n%s' %np.cov(X_scale))
代码语言:javascript
复制
NumPy covariance matrix: 
[[ 1.00671141 -0.11010327  0.87760486  0.82344326]
 [-0.11010327  1.00671141 -0.42333835 -0.358937  ]
 [ 0.87760486 -0.42333835  1.00671141  0.96921855]
 [ 0.82344326 -0.358937    0.96921855  1.00671141]]

接着我们计算协方差矩阵cov_mat的特征值和特征向量

代码语言:javascript
复制
cov_mat = X_scale.dot(X_scale.T)/X_scale.shape[1]
eig_vals, eig_vecs = np.linalg.eig(cov_mat)

print('Eigenvectors \n%s' %eig_vecs)
print('\nEigenvalues \n%s' %eig_vals)
代码语言:javascript
复制
Eigenvectors 
[[ 0.52237162 -0.37231836 -0.72101681  0.26199559]
 [-0.26335492 -0.92555649  0.24203288 -0.12413481]
 [ 0.58125401 -0.02109478  0.14089226 -0.80115427]
 [ 0.56561105 -0.06541577  0.6338014   0.52354627]]

Eigenvalues 
[ 2.91081808  0.92122093  0.14735328  0.02060771]
代码语言:javascript
复制
# eig_vecs.T.dot(cov_mat).dot(eig_vecs) = eig_vals 对象矩阵

我们也可以通过其他命令一次性就获取特征向量和特征值:

代码语言:javascript
复制
cor_mat2 = np.corrcoef(X.T)

eig_vals, eig_vecs = np.linalg.eig(cor_mat2)

print('Eigenvectors \n%s' %eig_vecs)
print('\nEigenvalues \n%s' %eig_vals)
代码语言:javascript
复制
Eigenvectors 
[[ 0.52237162 -0.37231836 -0.72101681  0.26199559]
 [-0.26335492 -0.92555649  0.24203288 -0.12413481]
 [ 0.58125401 -0.02109478  0.14089226 -0.80115427]
 [ 0.56561105 -0.06541577  0.6338014   0.52354627]]

Eigenvalues 
[ 2.91081808  0.92122093  0.14735328  0.02060771]

选择主成分

现在我们有了特征向量,特征向量中的每一个都可以认为是单位长度为1的基,我们来验证下:

代码语言:javascript
复制
for ev in eig_vecs:
    print(ev)
    np.testing.assert_array_almost_equal(1.0,
                                         np.linalg.norm(ev))
print('Everything ok!')
代码语言:javascript
复制
[ 0.52237162 -0.37231836 -0.72101681  0.26199559]
[-0.26335492 -0.92555649  0.24203288 -0.12413481]
[ 0.58125401 -0.02109478  0.14089226 -0.80115427]
[ 0.56561105 -0.06541577  0.6338014   0.52354627]
Everything ok!
代码语言:javascript
复制
np.sum(( eig_vecs[0] )**2) # np.linalg.norm 范数  
代码语言:javascript
复制
0.99999999999999922

现在有4个向量基,下一步要确定的是哪个方向上投影后能够让方差最大

代码语言:javascript
复制
# Make a list of (eigenvalue, eigenvector) tuples
eig_pairs = [(np.abs(eig_vals[i]), eig_vecs[:,i]) for i in range(len(eig_vals))]

# Sort the (eigenvalue, eigenvector) tuples from high to low
eig_pairs.sort()
eig_pairs.reverse()

# Visually confirm that the list is correctly sorted by decreasing eigenvalues
print('Eigenvalues in descending order:')
for i in eig_pairs:
    print(i[0])
代码语言:javascript
复制
Eigenvalues in descending order:
2.91081808375
0.921220930707
0.147353278305
0.0206077072356

解释方差

分析完信息最多的投影方向后,下面就是要决定我们要选择多少个投影基来投影了

代码语言:javascript
复制
tot = sum(eig_vals) # 所有特征值的和
var_exp = [(i / tot)*100 for i in sorted(eig_vals, reverse=True)] # 每个特征值的百分比
var_exp
代码语言:javascript
复制
[72.770452093801353,
 23.030523267680632,
 3.6838319576273935,
 0.51519268089062353]
代码语言:javascript
复制
cum_var_exp = np.cumsum(var_exp) # 计算累计
代码语言:javascript
复制
array([  72.77045209,   95.80097536,   99.48480732,  100.        ])
代码语言:javascript
复制
tot = sum(eig_vals)
var_exp = [(i / tot)*100 for i in sorted(eig_vals, reverse=True)]
cum_var_exp = np.cumsum(var_exp)

trace1 = Bar(
        x=['PC %s' %i for i in range(1,5)],
        y=var_exp,
        showlegend=False)

trace2 = Scatter(
        x=['PC %s' %i for i in range(1,5)], 
        y=cum_var_exp,
        name='cumulative explained variance')

data = Data([trace1, trace2])

layout=Layout(
        yaxis=YAxis(title='Explained variance in percent'),
        title='Explained variance by different principal components')

fig = Figure(data=data, layout=layout)
py.iplot(fig)

Paste_Image.png

上图可以显示出:PC1的贡献最大

投影矩阵

投影矩阵就是我们之前计算出来的特征矩阵,选择前两个多的特征向量

代码语言:javascript
复制
cor_mat2 = np.corrcoef(X.T)

eig_vals, eig_vecs = np.linalg.eig(cor_mat2)

print('Eigenvectors \n%s' %eig_vecs)
print('\nEigenvalues \n%s' %eig_vals)

eig_vecs.T.dot(cov_mat).dot(eig_vecs)
代码语言:javascript
复制
Eigenvectors 
[[ 0.52237162 -0.37231836 -0.72101681  0.26199559]
 [-0.26335492 -0.92555649  0.24203288 -0.12413481]
 [ 0.58125401 -0.02109478  0.14089226 -0.80115427]
 [ 0.56561105 -0.06541577  0.6338014   0.52354627]]

Eigenvalues 
[ 2.91081808  0.92122093  0.14735328  0.02060771]





array([[  2.91081808e+00,   0.00000000e+00,   6.66133815e-16,
          7.77156117e-16],
       [  8.32667268e-17,   9.21220931e-01,  -4.16333634e-16,
          1.94289029e-16],
       [  5.82867088e-16,  -4.02455846e-16,   1.47353278e-01,
         -2.08166817e-17],
       [  9.26342336e-16,   1.94505870e-16,  -4.07660017e-17,
          2.06077072e-02]])
代码语言:javascript
复制
# 此时我们的投影矩阵 P = eig_vecs.T
P = eig_vecs.T
matrix_w = P[[0,1]]
print('Matrix W:\n', matrix_w)
代码语言:javascript
复制
Matrix W:
 [[ 0.52237162 -0.26335492  0.58125401  0.56561105]
 [-0.37231836 -0.92555649 -0.02109478 -0.06541577]]

映射到新的2维空间

代码语言:javascript
复制
Y = matrix_w.dot(X_std.T).T
# Y 每一行代表一个数据
代码语言:javascript
复制
traces = []

for name in ('Iris-setosa', 'Iris-versicolor', 'Iris-virginica'):

    trace = Scatter(
        x=Y[y==name,0],
        y=Y[y==name,1],
        mode='markers',
        name=name,
        marker=Marker(
            size=12,
            line=Line(
                color='rgba(217, 217, 217, 0.14)',
                width=0.5),
            opacity=0.8))
    traces.append(trace)


data = Data(traces)
layout = Layout(showlegend=True,
                scene=Scene(xaxis=XAxis(title='PC1'),
                yaxis=YAxis(title='PC2'),))

fig = Figure(data=data, layout=layout)
py.iplot(fig)

Paste_Image.png

上面我们自己一步一步的实现了PCA,达到了降维度的目的,我们可以使用scikit-learn中的方法快速的实现:

代码语言:javascript
复制
from sklearn.decomposition import PCA as sklearnPCA
sklearn_pca = sklearnPCA(n_components=2)
Y_sklearn = sklearn_pca.fit_transform(X_std)
代码语言:javascript
复制
traces = []

for name in ('Iris-setosa', 'Iris-versicolor', 'Iris-virginica'):

    trace = Scatter(
        x=Y_sklearn[y==name,0],
        y=Y_sklearn[y==name,1],
        mode='markers',
        name=name,
        marker=Marker(
            size=12,
            line=Line(
                color='rgba(217, 217, 217, 0.14)',
                width=0.5),
            opacity=0.8))
    traces.append(trace)


data = Data(traces)
layout = Layout(xaxis=XAxis(title='PC1', showline=False),
                yaxis=YAxis(title='PC2', showline=False))
fig = Figure(data=data, layout=layout)
py.iplot(fig)

Paste_Image.png

总结

最后我们来总结下整个过程:

本文参与 腾讯云自媒体分享计划,分享自作者个人站点/博客。
原始发表:2017.02.16 ,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体分享计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • 1. 获取数据
  • 规范化
  • 特征分解
  • 选择主成分
  • 解释方差
  • 投影矩阵
  • 映射到新的2维空间
  • 总结
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档