简介
主成分分析（PCA）是一种广泛使用的统计技术，用于数据分析中的降维和特征提取。它提供了一个强大的框架来揭示高维数据集中的底层模式和结构。随着 Python 中大量库和工具的出现，PCA 的实现变得容易且简单。在这篇文章中，我们将研究 Python 中的主成分分析，回顾其理论、实现和实际应用。
我们将逐步介绍使用 NumPy 和 scikitlearn 等流行的 Python 工具进行 PCA 的步骤。通过学习 PCA，您将学习如何降低数据集的维数、提取重要特征以及在低维空间中显示复杂的数据。
了解主成分分析
使用称为主成分分析的统计方法将数据集统计转换为称为主成分的新变量集合。构成这些分量的初始变量的线性组合根据相关性进行排列。每个后续成分尽可能多地解释剩余的变化，第一个主成分捕获数据中的最大变化。
PCA 背后的数学
PCA 中使用了许多数学思想和计算。以下是完成 PCA 的关键操作：
立即学习“Python免费学习笔记（深入）”；
标准化：数据集的属性必须标准化，以便它们具有单位方差和零均值。每个变量对 PCA 的贡献因此得以平衡。
协方差矩阵：为了理解数据集中的各个变量如何相互关联，生成了协方差矩阵。它衡量一个变量的变化如何影响另一个变量的变化。
特征分解：协方差矩阵被分解为其特征向量和特征值。特征向量表示方向或主成分，而特征值则量化每个特征向量解释的方差量。
主成分的选择：选择最高特征值对应的特征向量作为主成分。这些组件捕获数据中最显着的方差。
投影：将原始数据集投影到由所选主成分跨越的新子空间上。这种转换降低了数据集的维度，同时保留了基本信息。
Python 中 PCA 的实现
示例
import numpy as np from sklearn.decomposition import PCA # Sample data X = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9], [10, 11, 12]]) # Instantiate PCA with desired number of components pca = PCA(n_components=2) # Fit and transform the data X_pca = pca.fit_transform(X) # Print the transformed data print(X_pca)
输出
[[-7.79422863 0. ] [-2.59807621 0. ] [ 2.59807621 0. ] [ 7.79422863 -0. ]]
PCA 的优点
特征提取：PCA 也可用于提取特征。我们可以通过选择主成分的子集（即 PCA 生成的转换变量）来分离数据集最具指导性的特征。此方法有助于减少用于表示数据的变量数量，同时保持最重要的细节完整。当处理原始特征之间具有高度相关性的数据集或存在许多重复或不相关的特征时，使用 PCA 进行特征提取会特别有用。
数据可视化：PCA 可以在低维空间中实现高维数据的可视化。通过绘制代表变换变量的主成分，可以观察到数据点之间的模式、聚类或关系。这种可视化有助于理解数据集的结构和特征。通过将数据简化为二维或三维，PCA 可以创建富有洞察力的绘图和图表，从而促进数据探索、模式识别和异常值识别。
降噪：捕获数据中最低程度方差或波动的主要组成部分有时可能被称为噪声。为了对数据进行去噪并专注于最重要的信息，PCA 可以通过从研究中排除某些组件来提供帮助。由于此过滤过程，可以更好地理解数据集中的底层模式和关系。当处理嘈杂或肮脏的数据集时，当需要将重要信号与噪声分离时，使用 PCA 降噪尤其有用。
多重共线性检测：当数据集中的自变量具有显着相关性时，就会出现多重共线性。 PCA 可以通过评估主成分的相关模式来帮助识别多重共线性。通过检查组件之间的连接来查明导致多重共线性的变量是可行的。了解这些信息可能会有益于数据分析，因为多重共线性可能导致模型不稳定以及对变量之间联系的错误解释。通过解决多重共线性问题（例如通过变量选择或模型更改），分析可以更加可靠和有弹性。
PCA 的实际例子
主成分分析 (PCA) 是一种通用技术，可在各个领域找到应用。让我们探讨一些 PCA 可以发挥作用的实际示例：
图像压缩：PCA 是一种压缩视觉数据同时保留关键细节的技术。在图像压缩中，PCA 可用于将高维像素数据转换为低维表示。通过使用较小的主要组件集来表达图片，我们可以在不牺牲视觉质量的情况下大幅减少存储需求。包括多媒体存储、传输和图像处理在内的多种应用已广泛使用基于 PCA 的图像压缩方法。
遗传学和生物信息学：基因组和生物信息学研究人员经常利用 PCA 来评估基因表达数据、查找遗传标记并检查群体模式。在基因表达分析中，高维基因表达谱可以压缩为较少数量的主要成分。这种减少使得人们更容易看到和理解基因之间的潜在模式和联系。基于 PCA 的生物信息学方法改善了疾病诊断、药物发现和定制治疗。
财务分析：财务分析将 PCA 用于多种目的，包括投资组合优化和风险管理。可以使用主成分分析 (PCA) 找到投资组合中捕获资产回报最大差异的主要成分。 PCA 有助于识别驱动资产回报的隐藏因素，并通过降低金融变量的维度来量化其对投资组合风险和绩效的影响。在金融领域，因子分析、风险建模和资产配置都使用了基于 PCA 的方法。
计算机视觉：计算机视觉任务（例如对象和面部识别）很大程度上依赖于 PCA。 PCA 可用于提取面部图片的主要成分并在面部识别中的低维子空间中表示面部。基于 PCA 的方法通过收集关键的面部特征来提供有效的面部识别和身份验证系统。为了降低图片描述符的维数并提高识别算法的有效性和精度，PCA也被应用于物体识别中。
结论
主成分分析 (PCA) 是一种强大的降维、特征提取和数据探索方法。它提供了一种将高维数据缩小到较低维空间而不丢失最关键细节的方法。在这篇文章中，我们介绍了 PCA 的基本思想、它使用 scikit-learn 在 Python 中的实现，以及它在各个领域的应用。分析师和数据科学家可以利用 PCA 改进数据可视化、简化建模活动并从大型复杂数据集中提取有用的见解。数据科学家的工具包应该包括 PCA，它经常用于特征工程、探索性数据分析和数据预处理。
