之前格物匯的文章給大家介紹過，隨著近幾年大數(shù)據(jù)技術(shù)的普及，企業(yè)可以獲取海量數(shù)據(jù)，但是這些海量數(shù)據(jù)帶給我們更多信息的同時，也帶來了更多的噪音和異常數(shù)據(jù)，如何降維去噪成為很多企業(yè)關(guān)注的焦點。而特征抽取和特征選擇都是降維的重要方法，針對于the curse of dimensionality(維數(shù)災難)，都可以達到降維的目的，但是這兩種方法有所不同。

>>>>

特征抽?。‵eature Extraction)

Creatting a subset ofnew features by combinations of the exsiting features.也就是說，特征抽取后的新特征是原來特征的一個映射。

>>>>

特征選擇（Feature Selection）

choosing a subset of allthe features(the ones more informative。也就是說，特征選擇后的特征是原來特征的一個子集。

特征抽取是如何對數(shù)據(jù)進行變換的呢？其兩個經(jīng)典的方法：主成分分析(Principle Components Analysis ,PCA)和線性評判分析（LinearDiscriminant Analysis,LDA）給出了解答，今天我們就先來看一下什么是主成分分析。

什么是主成分分析

主成分分析（principal component analysis），PCA是其縮寫。此方法是一種無監(jiān)督線性轉(zhuǎn)換技術(shù)，其目標是找到數(shù)據(jù)中最主要的元素和結(jié)構(gòu)，去除噪音和冗余，將原有的復雜數(shù)據(jù)降維，揭露出隱藏在復雜數(shù)據(jù)背后的簡單結(jié)構(gòu)。

主成分分析就是試圖在力保數(shù)據(jù)信息丟失最少的原則下，對這種多變量的數(shù)據(jù)表進行最佳綜合簡化。這些綜合指標就稱為主成分,也就是說，對高維變量空間進行降維處理，從線性代數(shù)角度來看，PCA目標是找到一組新正交基去重新描述得到的數(shù)據(jù)空間，這些新維度就是主成分。

PCA的原理

我們現(xiàn)在來看一下PCA算法是如何實現(xiàn)的，我們通過一個具體實例來理解，假設(shè)我們有這樣一些標準化后的數(shù)據(jù)：[-1,-2],[-1,0],……,[2,1],[0,1]。我們寫成向量的形式如下：

我們還可以在二維坐標系中畫出來：

PCA主要的目的是降維簡化數(shù)據(jù)，這些數(shù)據(jù)本就是二維，想要再降維則需要重新找一個方向，并把這些點映射到這個方向上（降到1維）。試想，怎么才能找到這個方向，且不損失大部分信息呢？PCA的做法是，找到新映射的方法需要滿足如下兩個原則：

在新映射的方向上每個數(shù)據(jù)的映射點方差盡可能大。因為方差大的數(shù)據(jù)所包含的信息量越大。

新映射的方向應彼此正交，這樣映射出的坐標點選取才更有意義。

尋找新映射也可以看作基變換，我們可以不斷旋轉(zhuǎn)基，尋找滿足上面兩個原則的情況。如下圖所示，中間的映射方向圖里數(shù)據(jù)在新基上映射點的方差就比右邊圖映射點方差大的多。而方差大則表示該數(shù)據(jù)在該方向上含有的信息量多，反之另一個新基的方向上含有的信息量就少的多。如果這個方向上的信息量非常少，即使舍去也無傷大雅，我們就可以考慮將其舍去，實現(xiàn)降維的操作。

新基可以看成是由以前標準直角坐標系旋轉(zhuǎn)而成，在線性代數(shù)中，這樣的坐標軸旋轉(zhuǎn)操作可以通過原本直角坐標系坐標乘轉(zhuǎn)換矩陣得到：

所以我們就將問題轉(zhuǎn)換成找轉(zhuǎn)移矩陣W上，如何去求W呢？我們希望降維后的數(shù)據(jù)要盡可能的與原數(shù)據(jù)非常接近（不丟失信息）。我們可以計算轉(zhuǎn)換后的坐標Z與轉(zhuǎn)換之前的坐標X之間的距離：

因此為了讓轉(zhuǎn)換距離最小，我們可以將問題等價轉(zhuǎn)換成：

由于中間推導過程較為復雜，故在此省略，最后求解推導的結(jié)果為：

這不正是特征值的定義公式嗎？所以只需要對協(xié)方差矩陣進行特征值分解，并將求得的特征值排序，取前N（PCA所要降低的目標維度）個特征值構(gòu)成的向量W，即為PCA的解。

PCA優(yōu)缺點

優(yōu)點

（1）它是無監(jiān)督學習，只與數(shù)據(jù)相關(guān)，無參數(shù)限制。

（2）通過PCA降維，可以達到簡化模型和對數(shù)據(jù)進行壓縮的效果。同時最大程度的保持了原有數(shù)據(jù)的信息。

（3）各主成分之間正交，可消除原始數(shù)據(jù)成分間的相互影響。

（4）計算方法簡單，易于在計算機上實現(xiàn)。

缺點

（1）如果用戶對觀測對象有一定的先驗知識，掌握了數(shù)據(jù)的一些特征，卻無法通過參數(shù)化等方法對處理過程進行干預，可能會得不到預期的效果，效率也不高。

（2）貢獻率小的主成分往往可能含有對樣本差異的重要信息。

好了，今天格物匯的內(nèi)容就到這里，近期我們還將介紹特征抽取的另一種方法LDA（線性評判分析），敬請期待。

本文作者：格創(chuàng)東智OT團隊（轉(zhuǎn)載請注明作者及來源）