机器学习：降维方法

降维（dimensionality reduction）的目标是对输入的数目进行削减，由此剔除数据中的噪声并提高机器学习方法的性能。比较流行的降维方法有：主成分分析、奇异值分解。主成分分析是按照数据方差最大方向调整数据。奇异值分解是矩阵分解技术中的一种，通过对原始数据的逼近来达到降维的目的。

主成分分析（PCA）

• 原理

  PCA（Principal Component Analysis）：数据从原来的坐标系转换到了新的坐标系，新坐标系的选择是由数据本身决定的。第一个新坐标轴选择的是原始数据中方差最大的方向，第二个新坐标轴的选择和第一个坐标轴正交且具有最大方差的方向。该过程一直重复，重复次数为原始数据中特征的数目。我们会发现，大部分方差都包含在最前面的几个新坐标轴中。因此，我们可以忽 略余下的坐标轴，即对数据进行了降维处理。
  因子分析（Factor Analysis）：假设在观察数据的生成中有一些观察不到的隐变量（latent variable）。假设观察数据是这些隐变量和某些噪声的线性组合。那么隐变量的数据可能比观察数据的数目少，也就是说通过找到隐变量就可以实现数据的降维。
  独立成分分析（Independent Component Analysis，ICA）：假设数据是从N个数据源生成的，这一点和因子分析有些类似。假设数据为多个数据源的混合观察结果，这些数据源之间在统计上是相互独立的，而在PCA中只假设数据是不相关的。同因子分析一样，如果数据源的数目少于观察数据的数目，则可以实现降维过程。

• 优缺点

  优点：降低数据的复杂性，识别最重要的多个特征。
  缺点：不一定需要，且可能损失有用信息。
  适用数据范围：数值型。

奇异值分解（SVD）

• 原理

  SVD（Singular Value Decomposition）：从原始数据集中抽取信息的方法。
  利用SVD实现，我们能够用小得多的数据集来表示原始数据集。这样做，实际上是去除了噪声和冗余信息。
  矩阵分解可以将原始矩阵表示成新的易于处理的形式，这种新形式是两个或多个矩阵的乘积。SVD将原始的数据矩阵Data分解成三个矩阵 U 、 Σ 、 VT 。如果原始矩阵Data是m行n列，那么 U 、 Σ 和 VT 就分别是m行m列、m行n列、n行n列。 Σ 矩阵只有对角元素，其他元素均为0。
  Datam∗n=Um∗mΣm∗nVTn∗n

• 优缺点

  优点：简化数据，去除噪声，提高算法的结果。
  缺点：数据的转换可能难以理解。
  适用数据范围：数值型。