本文主要向大家介绍了机器学习入门之PCA 机器学习实战Demo，通过具体的内容向大家展现，希望对大家学习机器学习入门有所帮助。

PCA算法框架

找到数据方差最大的投影方向；

利用数据协方差矩阵的特征值向量矩阵作为基，定义了新空间。

输入：训练数据集X
输出：以新的基表示的特征Y

1). 数据清洗，并规范化训练数据，使变量中心为0，方差为1；（减均值，除方差）
2). 求数据的协方差矩阵∑：∑=XTX；(T代表X的转置)
3). 求协方差矩阵的特征值λ：det(X-λI)=0；
4). 求协方差矩阵特征向量v：∑v = λv；（求出的特征向量要进行标准化处理）
5). 创建协方差矩阵∑的特征向量矩阵：E=[v1, v2, ..., vn]
6). 求变换后的矩阵Y：Y = XE

编码实现采用Numpy，numpy中的cov函数已经实现了中心化的步骤，并且numpy采用无偏估计，如下代码所示，cov_mat1与cov_mat2是相等的

matrix = np.mat([[4, 4, 0, 2, 2],
                 [4, 0, 0, 3, 3],
                 [4, 0, 0, 1, 1],
                 [1, 1, 1, 2, 0],
                 [2, 2, 2, 0, 0],
                 [1, 1, 1, 0, 0],
                 [5, 5, 5, 0, 0]])
meaned_matrix = matrix - np.mean(matrix, axis=0)
cov_mat1 = np.cov(matrix, rowvar=False)
cov_mat2 = meaned_matrix.T * meaned_matrix / (meaned_matrix.shape[0] - 1)

利用numpy进行PCA，只需要进行4步：

# 1. 计算协方差矩阵cov_matrix = np.cov(matrix, rower=False)# 2. 计算特征值及特征向量eig_vals, eig_vects = np.linalg.eig(cov_matrix) 
# 3. 生成主成分的特征向量矩阵eig_val_index = np.argsort(eig_vals)[:-(dimension + 1):-1]
eig_vectors_mat = eig_vects[:, eig_val_index]# 4. 求压缩后的矩阵transformed_mat = mean_removed * eig_vectors_mat# 5. 重建降维后的矩阵reconstructed_mat = (transformed_mat * eig_vectors_mat.T) + mean_vals

问题概述

半导体是在一些极为先进的工厂中制造出来的。设备的生命早期有限，并且花费极其巨大。
虽然通过早期测试和频繁测试来发现有瑕疵的产品，但仍有一些存在瑕疵的产品通过测试。
如果我们通过机器学习技术用于发现瑕疵产品，那么它就会为制造商节省大量的资金。

具体来讲，它拥有590个特征。我们看看能否对这些特征进行降维处理。

对于数据的缺失值的问题，我们有一些处理方法(参考第5章)
目前该章节处理的方案是：将缺失值NaN(Not a Number缩写)，全部用平均值来替代(如果用0来处理的策略就太差劲了)。

一. 首先分析数据，获取主成分方向的数目

def analyse_data(data_mat, threshold=0.9):
    # 返回结果
    pri_dir_num = -1

    # 协方差矩阵
    cov_mat = np.cov(data_mat, rowvar=False)    # 求特征值和特征向量
    eig_vals, eig_vects = np.linalg.eig(cov_mat)    # 将特征值从大到小排序，返回对应的下标；特征值越大说明数据在对应的特征向量方向方差越大，越重要
    eig_val_index = np.argsort(eig_vals)[:-(data_mat.shape[1] + 1):-1]    '''
    特征值的重要性评估，如果选出的主方向的重要性比例达到threshold要求，
    则停止，并返回主方向数
    '''
    cov_all_score = np.float(sum(eig_vals))
    sum_cov_score = 0
    for i in range(0, len(eig_val_index)):
        line_cov_score = np.float(eig_vals[eig_val_index[i]])
        sum_cov_score += line_cov_score        # 方差占比
        variance_ratio = line_cov_score / cov_all_score * 100
        # 累积方差占比，压缩的精度
        cumulative_variance_ratio = sum_cov_score / cov_all_score * 100
        print('主成分：%s, 方差占比：%s%%, 累积方差占比：%s%%' % (format(i + 1, '2.0f'),
                                                  format(variance_ratio, '5.2f'),
                                                  format(cumulative_variance_ratio, '4.1f')))        # 如果满足精度要求则返回主方向数目
        if cumulative_variance_ratio >= threshold * 100:
            pri_dir_num = i + 1
            break
    return pri_dir_num

二. 根据最佳的主成分列，压缩数据

def pca(data_matrix, dimension=9999999):
    """
    PCA降维
    :param data_matrix:     原数据集矩阵
    :param dimension:       保留的特征维数
    :return:
        transformed_mat     降维后数据集
        reconstructed_mat   新的数据集空间
    """
    # 计算每一列的均值
    mean_vals = np.mean(data_matrix, axis=0)    # 每个向量同时都减去 均值
    mean_removed = data_matrix - mean_vals    # cov协方差=[(x1-x均值)*(y1-y均值)+(x2-x均值)*(y2-y均值)+...+(xn-x均值)*(yn-y均值)]/(n-1)
    # 协方差矩阵：（多维）度量各个维度偏离其均值的程度
    covariance_mat = np.cov(data_matrix, rowvar=False)    # eig_vals为特征值， eig_vects为特征向量
    eig_vals, eig_vects = np.linalg.eig(covariance_mat)    # 对特征值，进行从小到大的排序，返回从小到大的index下标
    # -1表示倒序，将特征值从大到小排序
    eig_val_index = np.argsort(eig_vals)[:-(dimension + 1):-1]    # 创建特征向量矩阵，eig_vects从大到小排序
    eig_vectors_mat = eig_vects[:, eig_val_index]    # 求变换后的矩阵
    transformed_mat = mean_removed * eig_vectors_mat    # 重建数据，由于特征向量矩阵满足正交性，所以特征值矩阵的逆和转置是相等的
    reconstructed_mat = (transformed_mat * eig_vectors_mat.T) + mean_vals    return transformed_mat, reconstructed_mat

由于特征向量的矩阵是正交的，所以ET=E-1，ETE=E-1E=I。
因此，设R代表reconstructed_mat，MR代表mean_removed，E代表eig_vectors_mat，MV代表mean_vals:

R = MR * E * ET + MV = MR + MV (即原矩阵抽取主成分后的结果)

红色为主成分

补充：

两个对称方阵A，B，满足A = PTBP，P是正交矩阵：ET=E-1，那么A和B为正交相似

任何一个对称矩阵A都可以正交相似于一个对角矩阵D，总存在一个正交矩阵P，使得A=PTDP

本文由职坐标整理并发布，希望对同学们有所帮助。了解更多详情请关注职坐标人工智能机器学习频道！