主成分分析（Principal components analysis）PCA是一个很重要的降维算法，可以用来降噪、消除冗余信息等，只要和数据打交道几乎是必学的。它需要一些前置知识，我自己学的时候总是一知半解，后来才知道是这些前置知识基础没打牢固，为了彻底搞明白，我另外写了几篇文章，理清了其中用到的一些知识，基础不好的同学可以先过一下：
带你深入理解期望、方差、协方差的含义
一文读懂特征值分解EVD与奇异值分解SVD

引言

首先先举个例子来认识一下数据。
假设我们有一组二维数据(x,y)，它的分布如下：

可以看到，数据在x轴上的变化大，而在y轴变化小，变化小意味着数据在这个特征上没有太大的差异，因此它包含的信息就比较少，那么我们就可以认为它是不重要的或者是噪音，从而可以直接将这个维度上的数据舍去，只用x轴上的数据来代替。
那么假如数据是这样分布的呢？

这个图我们就不太好看出到底是谁比较重要了，因为x和y变化都比较大，那么就不能降维了吗？非也，假如我们旋转一下坐标系

新坐标系下数据的坐标值就是数据在坐标轴上的投影，这时候的情况就和上面那个例子一样了。

从这个例子也可以看到，数据本身的具体数值其实是不重要的，重要的是数据之间的关系，数据的整体分布。原来的数据是在$E$坐标系下，然后我们换了一个坐标系来表示，本质上相当于对数据进行了一次正交变换（从数学公式看），在新的坐标系下，我们能更清楚的看到数据的特点，这为我们后续进一步操作数据提供了可能。

PCA其实做的就是这么一件事，求出了一个正交矩阵P，然后用这个矩阵对数据进行正交变换得到新的数据：$$Y=PX$$正交变换就相当于换了一个坐标系，所以其结果就是我们换了一个坐标系来观察数据，假如我们在这个坐标系下取前k个变化最大的轴上的数据，这就实现了降维。

按照两阶段来理解PCA会容易得多，简单来说就是：第一阶段找了一个新的坐标系来表示数据，这个新的坐标系不是随便找的，是要求能最大限度的看出每个轴上的数据变化大小，第二阶段在新坐标系下取前k个变化最大的轴上的数据，从而实现降维。

如果对正交变换不太了解，可以看下这篇文章：一文让你通俗易懂的理解正交变换和正交矩阵

PCA的原理

那么怎么才能找到这个新的坐标系呢？这就需要回到PCA所要解决的问题上。

PCA最本质的功能就是用来提取数据的主要信息，高维的数据存在维度灾难，而且许多变量之间可能存在相关性，也可能存在噪音，通过提取其中的主要信息来实现降维就是一种有效的解决手段。这里的“主要“指的是数据中包含的信息量较大的部分，那么一个很自然的问题就是：怎么来度量信息量的大小？

上面两个例子，我们是用数据在某个轴上的变化大小，也就分散程度来度量信息量的大小 ，这显然可以用数学上的方差来进行量化。

有了度量指标，接下来就是找到新的坐标系，那么就要逐个找到每个坐标轴，所以我们的目标就是先在整个数据空间中找到一个坐标轴（方向），使得数据在这个坐标轴上的投影（投影=坐标值）的方差达到最大，那么这个方向就是我们新的坐标系的第一个轴，然后再找一个方差次大的，而且与第一个轴垂直的方向（不限制垂直次大方向会和最大方向无限接近），作为新坐标系的第二个轴，依此类推，直到我们找出了K个，然后把原来的数据用这新的坐标系进行表示（也就是进行投影），就得到了降维后的数据。

一个简单的示意图如下：

下面进行数学推导。

方差是每个元素与变量均值差的平方和的均值，一维数据的方差计算公式为：$$\mathrm{Var}(a)=\frac{1}{m}\sum _{i=1}^m{\left(a_i-\mu \right)}^2$$为了后续计算方便，我们先进行去中心化操作（使数据均值为0）。假设有m个n维数据，$X=[x_1,x_2,...,x_m]$，其中的每个$x$是一个n维的列向量，去中心化：$$X=X-\frac{1}{m}\sum _{i=1}^m{x}_i$$接下来，我们的目标就是在这个数据空间中找到一个方向，使得数据在这个方向上的投影的方差最大，假设这个方向为 $w$，$||w|{|}_2=1$（单位向量），那么每个数据在这个方向下的坐标值为：$w^T{x}_i$，于是有方差：
$$\begin{array}{rl}D(x)& =\frac{1}{m}\sum _{i=1}^m{\left(w^T{x}_i\right)}^2\\ & =\frac{1}{m}\sum _{i=1}^m\left(w^T{x}_i\right){\left(w^T{x}_i\right)}^T\\ & =\frac{1}{m}\sum _{i=1}^m{w}^T{x}_i{x}_i^{T}w\\ & =w^T\left(\frac{1}{m}\sum _{i=1}^m{x}_i{x}_i^T\right)w\end{array}$$
其中， $\frac{1}{m}{\sum }_{i=1}^m{x}_i{x}_i^T$ 就是样本的协方差矩阵 ，令它为 $C$，那么我们的优化目标就是：
$$\{\begin{array}{l}\max \left\{w^{T}Cw\right\}\\ \\ s.t.w^{T}w=1\end{array}$$
求解这种约束优化问题，用拉格朗日常数法最方便，构造函数：
$$L(w，\lambda )=w^{T}Cw+\lambda \left(1-w^{T}w\right)$$
然后对每个分量求导：
$$\{\begin{array}{l}\frac{\partial }{\partial w}f(w,\lambda )=2Cw-2\lambda w=0\\ \\ \frac{\partial }{\partial w}f(w,\lambda )=w^{T}w-1=0\end{array}$$
解得：
$$\{\begin{array}{l}Cw=\lambda w\\ \\ w^{T}w=1\end{array}$$
仔细看，这$w$不正是$C$的特征向量吗！代入目标函数中：
max ⁡ D ( x ) = max ⁡ { w T C w } = max ⁡ { w T λ w } = max ⁡ λ \max D(x)=\max \{w^{T} C w\}=\max \{w^{T} \lambda w\}=\max \lambda maxD(x)=max{wTCw}=max{wTλw}=maxλ

于是要找的最大方差也就是协方差矩阵的最大特征值，而此时的方向就是最大特征值所对应的特征向量，那么次大方向自然就是第二大特征值对应的特征向量，依此类推，直到我们找出了K个，以这K个特征向量作为新的坐标系，然后将原始数据投影到这个坐标系下即可得到降维后的数据。

求解步骤

总结一下PCA算法的计算流程：
假设有m个n维数据，$X_{n\times m}=[x_1,x_2,...,x_m]$，其中的每个$x$是一个n维的列向量，

1. 去中心化，$X=X-\frac{1}{m}{\sum }_{i=1}^m{x}_i$
2. 计算协方差矩阵，$C=\frac{1}{m}X{X}^T$
3. 对协方差矩阵进行特征值分解得到特征矩阵（按特征值从大到小以列排），取前k列组成矩阵$P_{n\times k}$，$P$就相当于是一个坐标系，$P$中的每一列就是一个坐标轴
4. 将原始数据投影到$P$坐标系下即得到降维后的数据，$Y_{k\times m}=P_{n\times k}^T{X}_{n\times m}$

其它细节

(1)求导公式
拉格朗日函数求极值那块需要进行矩阵求导，具体推导就不介绍了，直接给出用到的两个公式：
$$\frac{\partial x^{T}a}{\partial x}=\frac{\partial a^{T}x}{\partial x}=a$$$$\frac{\partial x^{T}Ax}{\partial x}=Ax+A^{T}x$$如果矩阵A是对称的：$$Ax+A^{T}x=2Ax$$
这两个公式比较常用，在最小二乘法中也用到，最好直接记下来。

(2)数据还原（重建）
PCA可以对高维数据进行降维以达到压缩数据的目的，比如图像处理领域就经常用到PCA作图像压缩，有压缩就有还原，但是因为PCA降维是有损失的，也就是压缩后的数据没有保持原来数据的全部信息，所以根据压缩数据无法还原回原来的高维数据，但是还原的数据可以看作原来数据的一种近似。

最后经计算得到变换矩阵$P_{n\times k}$，那么降维的数据就是：$Y_{k\times m}=P_{n\times k}^T{X}_{n\times m}$，根据$Y$和$P$，我们可以还原得到$X$的近似：
$${\tilde{X}}_{n\times m}=P_{n\times k}{Y}_{k\times m}$$
(3)数据占比
我们会好奇降维后的数据到底保持了原来数据的多少信息，而PCA中数据的方差就代表着信息，从推导的结果中可以看到$C$的特征值$\lambda$就是方差，我们取了前k个，所以信息占比就是：
$$r=\frac{{\sum }_{j=1}^k{\lambda }_j}{{\sum }_{j=1}^n{\lambda }_j}$$
PCA算法只有一个参数，就是降维数据的维度k，有时候我们会要求降维后的数据信息占比多少以上，就可以根据这个公式计算出k

(4)PCA与SVD的关系
PCA与SVD其实并没有什么直接联系，只不过是PCA可以用SVD来实现，比较方便。
我们都知道SVD是一种用于任意矩阵分解的方法：
$$A=U\Sigma V^T$$其中，U的列向量就是 $A{A}^T$ 的特征向量，而PCA中我们要计算的就是$C=\frac{1}{m}X{X}^T$的特征向量，那么我们令$A=C$就可以直接算出特征向量了，简直不要太方便。

(5)PCA的性质

1. 降噪：PCA舍弃了那些方差较小的数据，这些数据可能是噪音；
2. 去除冗余信息：PCA各主成分之间正交， 可以去除原始数据中具有较强线性关系的feature
3. 可解释性差：降维的数据是对原始数据的重组，各个特征维度的含义不具有原始样本特征的解释性

代码实现

这里介绍两种，一种是采用SVD手动降维，一种是直接调PCA api

SVD手动降维

import numpy as np

# 3 x 5 , 3维特征，5组数据
data = np.array([[-1,-1,0,2,1],[2,0,0,-1,-1],[2,0,1,1,0]], dtype=np.float)
n, m = data.shape
k = 2
data = data - data.mean(axis=1, keepdims=True)
# 协方差矩阵
C = np.dot(data, data.T) / m
# u的每一列是特征向量
u, d, v = np.linalg.svd(C)
new_data  = np.dot(u[:,:k].T, data)

print(new_data)

#  输出
[[ 2.50856792  0.59089386  0.19057608 -1.84517782 -1.44486004]
 [-0.76054613  1.31546989 -0.02787302 -0.93519683  0.40814608]]

调用sklearn中的PCA api
注意，sklearn中的输入数据是以行排列的，每一行是一个数据！

import numpy as np
from sklearn.decomposition import PCA

# 3 x 5 , 3维特征，5组数据
data = np.array([[-1,-1,0,2,1],[2,0,0,-1,-1],[2,0,1,1,0]], dtype=np.float)
k = 2

pca = PCA(n_components=k)
# 注意转置
new_data = pca.fit_transform(data.T)
# 降维后的数据各个维度特征 所占信息比例
ratios = pca.explained_variance_ratio_

print(new_data，ratios)
# 输出
[[ 2.50856792 -0.76054613]
 [ 0.59089386  1.31546989]
 [ 0.19057608 -0.02787302]
 [-1.84517782 -0.93519683]
 [-1.44486004  0.40814608]]
 [0.7801724  0.21479774]

PCA常用参数介绍：
n_components： 这个参数类型有int型，float型，string型，默认为None，常用的设置有两种：

• 若0<n_components<1，则n_components的值为主成分方差的阈值； 通过设置该变量，即可调整主成分数量K；
• 若n_components≥1，则降维后的特征数为n_components；

whiten：参数为bool型，是否对降维后的数据的每个特征进行归一化，默认是False。

其它常用方法：
fit(X,y=None) ：用训练数据X训练模型，由于PCA是无监督降维，因此y=None。
transform(X,y=None) ：训练好模型后，对输入数据X进行降维。
fit_transform(X) ：用训练数据X训练模型，并对X进行降维。相当于先用fit(X)，再用transform(X)。
inverse_transform(X) ：将降维后的数据还原成原始数据的近似。(PCA的重建)

PCA对象常用属性：
components：array, shape (n_components, n_features) ，降维后各主成分方向，并按照各主成分的方差值大小排序。
explained_variance：array, shape (n_components,) ，降维后各主成分的方差值，方差值越大，越主要。
explained_variance_ratio：array, shape (n_components,) ，降维后的各主成分的方差值占总方差值的比例，比例越大，则越主要。

reference
https://www.cnblogs.com/XDU-Lakers/p/11612094.html
https://blog.csdn.net/xxdragon126/article/details/90748254
https://zhuanlan.zhihu.com/p/77151308
https://blog.csdn.net/zhongkelee/article/details/44064401
https://blog.csdn.net/hustqb/article/details/78394058
https://www.cnblogs.com/pinard/p/6239403.html

如果对你有帮助，请点个赞让我知道:-D