PCA主成分分析（最大投影方差）

PCA简介：

从n维数据中提取最能表明这组数据的m个向量，也就是对数据进行降维（n->m），提取特征。

目标：

找到一个向量\(\mu\)，使n个点在其上的投影的方差最大（投影后的数据越不集中，就说明每一个向量彼此之间包含的类似信息越少，从而实现数据降维）

前提假设：

总的数据：

\[A = (x_1, x_2, \cdots , x_n)\]

\(X\)的协方差：

\[C = Cov(X) = \frac{1}{n}\sum_{i=1}^n(x_i-\overline{x})(x_i-\overline{x})^T\]

向量\(\mu\)：

\[|\mu| = 1 \Rightarrow \mu^T\mu = 1\]

证实：

易知\(x_i\)在\(\mu\)上的投影为\[(x_i-\overline{x})^T\mu\]

由于\((x_i-\overline{x})\)均值为0， 因此记其方差\(J\)为

\[\frac{1}{n}\sum_{i=1}^n((x_i-\overline{x})^T\mu)^2\]

又由于上式平方项中为标量，故能够将\(J\)改写为

\[\frac{1}{n}\sum_{i=1}^n((x_i-\overline{x})^T\mu)^T((x_i-\overline{x})^T\mu)\]

化简，得

\[\frac{1}{n}\sum_{i=1}^n\mu^T(x_i-\overline{x})(x_i-\overline{x})^T\mu\]

发现中间两项是协方差，带入，得

\[\mu^TC\mu\]

接下来就是一个在给定约束条件\(\mu^T\mu\) = 1，下的最优化问题，这里使用Lagrange乘数法求解

构造Lagrange函数\[L(\mu, C, \lambda) = \mu^TC\mu + \lambda(1-\mu^T\mu)\]

关于\(\mu\)求偏导，得

\[\frac{\partial J}{\partial \mu} = 2C\mu - 2\lambda\mu\]

令其等于0，得

\[C\mu = \lambda\mu\]

是否是有点眼熟？
没错，\(\lambda\)就是\(C\)的特征值（eigen-value），\(\mu\)就是\(C\)的特征向量（eigen-vector）
所以，这个咱们要求的向量\(\mu\)就是\(C\)的特征向量（要m个，就取前m个最大的特征值对应的特征向量）