机器学习——利用SVD简化数据

奇异值分解（Singular Value Decompositon,SVD），可以实现用小得多的数据集来表示原始数据集。

优点：简化数据，取出噪声，提高算法的结果

缺点：数据的转换可能难以理解

适用数据类型：数值型数据

SVD最早的应用之一是信息检索，我们称利用SVD的方法为隐形语义索引（LSI）或者隐形语义分析（LSA）。

在LSI中，一个矩阵是有文档和词语组成的。当我们在该矩阵上应用SVD的时候，就会构建出多个奇异值。这些奇异值代表了文档中的概念或者主题，这一特点可以用于更高效的文档检索。

SVD的另一个应用就是推荐系统。简单版本的推荐系统能够计算项或者人之间的相似度。更先进的方法则先利用SVD从数据中构建一个主题空间，然后再在该空间下计算其相似度。

SVD将原始的数据集矩阵Data分解成三个矩阵 、 和 。

如果数据集矩阵Data是M×N的，那么 是M×M的、 是M×N的、 是N×N的。

　　

矩阵 中只有从大到小排列的对角元素。在某个奇异值的数目（r个）之后，其他的奇异值都置为0，这就意味这数据集中仅有r个重要特征，而其余特征则都是噪声或者冗余特征。

利用Python实现SVD

>> X=[0.3619 0.2997 0.1331 0.3296;0.1695 0.3628 0.0817 0.2826;0.1159 0.5581 0.0828 0.3718;0.1508 0.1077 0.0539 0.1274]　　#Matlab

X =

    0.3619    0.2997    0.1331    0.3296
    0.1695    0.3628    0.0817    0.2826
    0.1159    0.5581    0.0828    0.3718
    0.1508    0.1077    0.0539    0.1274

>> [U,S,V] = svd (X)　　　　#Matlab

U =

   -0.5468    0.6999    0.1302   -0.4406
   -0.4846   -0.0839    0.5883    0.6420
   -0.6496   -0.6312   -0.3105   -0.2883
   -0.2102    0.3234   -0.7352    0.5574

S =

    1.0245         0         0         0
         0    0.2608         0         0
         0         0    0.0001         0
         0         0         0    0.0000

V =

   -0.3778    0.8233   -0.4206   -0.0508
   -0.7076   -0.5297   -0.3661   -0.2911
   -0.1733    0.1974    0.6302   -0.7307
   -0.5715    0.0518    0.5403    0.615

 Python

>>> from numpy import *
>>> U,Sigma,VT = linalg.svd([[0.3619,0.2997,0.1331,0.3296],[0.1695,0.3628,0.0817,0.2826],[0.1159,0.5581,0.0828,0.3718],[0.1508,0.1077,0.0539,0.1274]])
>>> U
array([[-0.54683102,  0.69993064,  0.13018303, -0.44059655],
       [-0.48455132, -0.08387773,  0.58827674,  0.64195407],
       [-0.64962251, -0.63124863, -0.31049494, -0.28828573],
       [-0.21018197,  0.32339881, -0.73523857,  0.55736971]])
>>> Sigma
array([  1.02445357e+00,   2.60778615e-01,   8.12946379e-05,
         3.22769863e-05])
>>> VT
array([[-0.37777826, -0.70756881, -0.17325197, -0.57150129],
       [ 0.82328242, -0.52968851,  0.19737725,  0.05175294],
       [-0.42060604, -0.36612216,  0.63019332,  0.5402791 ],
       [-0.05079576, -0.29108595, -0.73067254,  0.61547251]])

可以看到，在Sigma矩阵中8.12946379e-05 和 3.22769863e-05 值的量级太小了，所以可以忽略

所以Data矩阵的值就成了 

>>> U,Sigma,VT = linalg.svd([[0.3619,0.2997,0.1331,0.3296],[0.1695,0.3628,0.0817,0.2826],[0.1159,0.5581,0.0828,0.3718],[0.1508,0.1077,0.0539,0.1274]])
>>> U
array([[-0.54683102,  0.69993064,  0.13018303, -0.44059655],
       [-0.48455132, -0.08387773,  0.58827674,  0.64195407],
       [-0.64962251, -0.63124863, -0.31049494, -0.28828573],
       [-0.21018197,  0.32339881, -0.73523857,  0.55736971]])
>>> Sigma
array([  1.02445357e+00,   2.60778615e-01,   8.12946379e-05,
         3.22769863e-05])
>>> VT
array([[-0.37777826, -0.70756881, -0.17325197, -0.57150129],
       [ 0.82328242, -0.52968851,  0.19737725,  0.05175294],
       [-0.42060604, -0.36612216,  0.63019332,  0.5402791 ],
       [-0.05079576, -0.29108595, -0.73067254,  0.61547251]])
>>> Sig3 = mat([[Sigma[0],0,0],[0,Sigma[1],0],[0,0,Sigma[2]]])
>>> U[:,:3]*Sig3*VT[:3,:]
matrix([[ 0.36189928,  0.29969586,  0.13308961,  0.32960875],
        [ 0.16950105,  0.36280603,  0.08171514,  0.28258725],
        [ 0.11589953,  0.55809729,  0.0827932 ,  0.37180573],
        [ 0.15080091,  0.10770524,  0.05391314,  0.12738893]])

>>> import numpy as np
>>> U
array([[-0.54683102,  0.69993064],
       [-0.48455132, -0.08387773],
       [-0.64962251, -0.63124863],
       [-0.21018197,  0.32339881]])
>>> Sigma
array([[ 1.02445357,  0.        ],
       [ 0.        ,  0.26077861]])
>>> VT
array([[-0.37777826, -0.70756881, -0.17325197, -0.57150129],
       [ 0.82328242, -0.52968851,  0.19737725,  0.05175294]])

>>> M = np.dot(U,Sigma)
>>> np.dot(M,VT)　　#可以使用np.dot进行矩阵乘法
array([[ 0.36190373,  0.29969974,  0.13308294,  0.32960304],
       [ 0.16952117,  0.36282354,  0.081685  ,  0.28256141],
       [ 0.11588891,  0.55808805,  0.08280911,  0.37181937],
       [ 0.15077578,  0.10768336,  0.05395081,  0.12742122]])

 经过SVD之后生成的三个矩阵相乘，得到的结果和原来的矩阵差不多

基于协同过滤（collaborative filtering）的推荐引擎

协同过滤是通过将用户和其他用户的数据进行对比来实现推荐的。这里的数据是从概念上组织成了类似矩阵的形式。当数据采用这种方式进行组织的时候，我们就可以比较用户或者物品之间的相似度。比如，如果电影和用户看过的电影之间的相似度很高，推荐算法就会认为用户喜欢这部电影。

相似度计算

第一种：使用欧式距离，相似度=1/（1+距离）

　　当距离为0的时候，相似度为1；当距离很大的时候，相似度趋近于0

第二种：皮尔逊相关系数

　　皮尔逊相关系数度量的是两个向量之间的相似度，相对于欧式距离的一个优势是，它对用户评级的量级并不敏感。

　　皮尔逊相关系数的取值范围在-1到+1之间，在NumPy中由函数corrcoef()计算

第三种：余弦相似度

　　余弦相似度计算的是两个向量夹角的余弦值，如果夹角为90度，则相似度为0；如果两个向量的方向相同，则相似度为1

　　余弦相似度的取值范围在-1到+1之间，在NumPy中由函数linalg.norm()计算

　　

from numpy import *
from numpy import linalg as la

def ecludSim(inA,inB):　　　　#欧式距离
    return 1.0/(1.0 + la.norm(inA - inB))

def pearsSim(inA,inB):　　　　#皮尔逊相关系数
    if len(inA) < 3 : return 1.0
    return 0.5+0.5*corrcoef(inA, inB, rowvar = 0)[0][1]

def cosSim(inA,inB):　　　　　　#余弦相似度
    num = float(inA.T*inB)
    denom = la.norm(inA)*la.norm(inB)
    return 0.5+0.5*(num/denom)

# coding:utf-8
# !/usr/bin/env python

import svdRec
from numpy import *

if __name__ == '__main__':
	myMat = mat(svdRec.loadExData())
	print svdRec.ecludSim(myMat[:,0],myMat[:,4])	#矩阵第一列和第五列的欧氏距离相似度
	print svdRec.pearsSim(myMat[:,0],myMat[:,4])	#矩阵第一列和第五列的皮尔逊相关系数相似度
	print svdRec.cosSim(myMat[:,0],myMat[:,4])		#矩阵第一列和第五列的余弦相似度

0.129731907557
0.205965381738
0.5