一、降维
1）首先我们可以将数据以矩阵的形式表示出来，例如Xmxn，即m个数据样本，每个数据样本有n维度的特征（这个特征就是数字，n维特征就是n个数字表示了这个样本）。降维的目的就是减小n，比如降低维度到k（k<n）。
2）在二维上举例：我们用我们常用的坐标系，即（1，0）、（0，1）为基的坐标系，选取一组数据[ (-2，-2），（-1，-1）、（0，0）、（1，1）、（2，2）]，我们发现这组数据在坐标系上都处于一条直线上，就是y=x上。此时他的维度是二维的，但是我们把X、Y坐标轴逆时针旋转45度，即X轴与之前的y=x直线重合，我们得到X’、Y’，此时数据全部在X’轴上，点的y坐标全变为0，Y‘轴似乎没有什么作用，这样就把维度降低一维了。
3）我们需要明确的是，某点在不同的基下，坐标是不同的，但是该点距离原点的距离不变。这个距离通过勾股定理计算得来，因此在X轴上的投影越大，那么相应在Y轴上的投影就会变小，极端情况下，全部分配给了X轴，y=0，这就舍弃了Y轴，达到了降维的目的。
4)如下图，当点集中在Y轴分布的范围很广，在X轴分布的范围很小，因此我们可以认为用X轴描述数据集的特征必要不大，因此我们可以舍弃X轴的维度，从而达到降维的目的。这就提醒我们应该把数据集投影到范围比较广的范围里，比如下图中的Y轴，即尽可能的扩大数据集的离散程度。
5）降维就是一种对高维度特征数据预处理方法。降维是将高维度的数据保留下最重要的一些特征，去除噪声和不重要的特征，从而实现提升数据处理速度的目的。在实际的生产和应用中，降维在一定的信息损失范围内，可以为我们节省大量的时间和成本。降维也成为应用非常广泛的数据预处理方法。
降维具有如下一些优点：
使得数据集更易使用。降低算法的计算开销。去除噪声。使得结果容易理解。
降维的算法有很多，比如奇异值分解(SVD)、主成分分析(PCA)、因子分析(FA)、独立成分分析(ICA)。
二、PCA简介
1、PCA，即主成分分析，提取数据的主要成分，剔除数据中相对次要的成分，换句话说PCA的目标是降维，就是剔除数据次要成分的维度。在很多应用领域的数据是多个变量存在的，而且要求收集数据量是很大的，这将增加数据分析工作的难度。因此，我们想能不能剔除数据中相对次要的成分，一次来压缩数据量的大小、降低数据变量的复杂度。
2、 高维数据中变量之间的关系是不可见的，因此我们应该找到一个合理的方法，在降低维度的同时，尽量的减少数据信息的损失，这样对于数据的处理是可以接受的。
三、PCA的目标
1、总结一下 PCA 的算法步骤：
设有 m 个n 维数据。
1）将原始数据按列组成 m行 n 列矩阵 X；
2）将 X 的每一行减去这一行的均值；
3）求出协方差矩阵
4）求出协方差矩阵的特征值及对应的特征向量；（此处求解协方差矩阵的特征值和特征向量有两种方法：特征值分解方法和SVD分解方法）
5）将特征向量按对应特征值大小从上到下按行排列成矩阵，取前 k 行组成矩阵 P；
6）Y=PX即为降维到 k 维后的数据
注：A、特征值分解矩阵
B、SVD分解矩阵原理
2、基的选择标准
我们知道同样的一组数据选用不同的基，其表示也会不同。基的数量也就是维的数量，当基的数量小于数据的数据的维数，就是降维。假如我们从n维降到k维，那么这k个基怎么选择呢？也就是说怎么选择k个基才能使得降维的效果最好，保存原始信息最多。
这里给出两种理解，均是PCA最大方差理论（就是数据投影到特定基后的方差越大，降维的效果越好）
1）在信号处理中认为信号具有较大的方差，噪声有较小的方差。如果样本在X上的投影方差较大，在Y上的投影方差较小，那么可认为Y上的投影是由噪声引起的。
2）方差越大，数据越分散，也就意味着信息量越多，信号越强，也可以说熵越大，该特征越有区分度。协方差代表维度x和维度y之间的相关程度，协方差越大，也就意味着噪声越大，信息的冗余程度越高。
因此n维的数据降低到k维，在k维上的每一维的样本方差都很大。
注：数据投影到基上的分散程度越大，越好。因此衡量标准可以变为所有点的投影绝对值之和最大。下图是计算投影的方法，即某一点到原点的向量与基的内积。
（图片来自其他人的博客）
3、多维
在一维空间中我们可以用方差来表示数据的分散程度。而对于高维数据，我们用协方差进行约束，协方差可以表示两个变量的相关性。为了让两个变量尽可能表示更多的原始信息，我们希望它们之间不存在线性相关性，因为相关性意味着两个变量不是完全独立，必然存在重复表示的信息。
因此问题转化为：将一组 N 维向量降为 K 维，其目标是选择 K 个单位正交基，使得原始数据变换到这组基上后，各变量两两间协方差为 0，而变量方差则尽可能大（在正交的约束下，取最大的 K 个方差）。
四、实现PCA的Python代码
在这里插入代码片##Python实现PCAimport numpy as npdef pca(X, k): # k is the components you want# mean of each featuren_samples, n_features = X.shapemean = np.array([np.mean(X[:, i]) for i in range(n_features)])# normalization# 去平均值，即每一位特征减去各自的平均值。norm_X = X - mean# scatter matrix# 计算协方差矩阵scatter_matrix = np.dot(np.transpose(norm_X), norm_X)# Calculate the eigenvectors and eigenvalues# 求特征值和特征向量eig_val, eig_vec = np.linalg.eig(scatter_matrix)eig_pairs = [(np.abs(eig_val[i]), eig_vec[:, i]) for i in range(n_features)]# sort eig_vec based on eig_val from highest to lowest# 对特征值从大到小排序，eig_pairs.sort(reverse=True)# select the top k eig_vec# 选择其中最大的k个。然后将其对应的k个特征向量分别作为列向量组成特征向量矩阵。feature = np.array([ele[1] for ele in eig_pairs[:k]])# get new data# 将数据转换到k个特征向量构建的新空间中。data = np.dot(norm_X, np.transpose(feature))return dataX = np.array([[-1, 1], [-2, -1], [-3, -2], [1, 1], [2, 1], [3, 2]])print(pca(X, 1))
五、本文参考博客
/question/41120789?sort=created
/luoluonuoyasuolong/article/details/90711318
/p/77151308
/program_developer/article/details/80632779
本文使用到了这些博客的图、代码等
