3 主成分分析

主成分分析(Principle Component Analysis, PCA) 利用正交变换, 将线性相关变量转变为少数几个线性无关变量表示的数据, 是一种数据降维方法. 线性无关的变量称为主成分.

1 总体主成分分析

1.1 定义和导出

假设x=(x1,⋯,xm)T是m维随机变量, 均值为μ=E(x)=(μ1,⋯,μm)T,
协方差矩阵是Σ=Cov(x,x)=E[(x−μ)(x−μ)T].
考虑m维向量x到m维向量y=(y1,⋯,ym)T的线性变换(1.1)yi=αiTx=α1ixi+⋯+αmixm=∑j=1mαjixj.
(αiT=(α1i,⋯,αmi).) 则E(yi)=αiTμ,1≤i≤m,Var(yi)=αiTΣαi,1≤i≤m,Cov(yi,yj)=αiTΣαj,1≤i,j≤m.

总体主成分

给定线性变换如 (1.1), 如果它满足:

  • αiT是单位正交向量, 即αiTαj=δij,1≤i,j≤m;
  • yi,yj互不相关, 即Cov(yi,yj)=0,i≠j;
  • y1是x所有线性变换中方差最大的; y2是与y1不相关的x的所有线性变换中方差最大的; ……; yi是x线性变换中与y0,⋯,yi−1都不线性相关的中方差最大的, 此时称y1,⋯,ym分别为x的第一主成分, ... , 第m主成分.

根据定义, 求解第一主成分就是求解如下优化问题maxα1 Var(α1Tx)=α1TΣα1,(1.2)s.t. α1Tα1=1.

1.2 主要性质

下面的定理说明了总体主成分与Σ特征值、特征向量的关系, 同时给出了一个求主成分的方法.

定理 1.1

Σ有特征值λ1≥⋯≥λm≥0, 对应的单位特征向量分别是α1,⋯,αm, 则x的第k主成分是(1.3)yk=αkTx=α1kx1+α2kx2+⋯+αmkxm,1≤k≤m,
对应的方差是Var(yk)=αkTΣαk=λk.

推论 1.1

y=(y1,⋯,ym)T的分量依次是x的第一、...、第m主成分等价于:

  1. y=ATx, A=(αij)m×m是正交阵;
  2. y的协方差矩阵为对角阵Cov(y)=Λ=diag(λ1,⋯,λm),λ1≥λ2≥⋯≥λm,
    其中λk是Σ的第k个特征值, αk是对应的单位特征向量.

把Σαk=λkαk用矩阵表示为ΣA=AΛ.由A的正交性: ATA=AAT=I, 进而ATΣA=Λ,Σ=AΛAT.

定理 1.2 总体主成分的性质

假设总体主成分为y. 则

  1. (1.4)Cov(y)=Λ=diag(λ1,⋯,λm).
  2. 记σii是xi的方差, 而λi又是y的方差, 则(1.5)∑i=1mλi=∑i=1mσii.
  3. 定义yk和xi的相关系数ρ(yk,xi)为因子负荷量, 则(1.6)ρ(yk,xi)=λkαikσii,1≤k,i≤m.
  4. (1.7)∑i=1mσiiρ2(yk,xi)=λk.
  5. (1.8)∑k=1mρ2(yk,xi)=1.

1.3 主成分的个数

尽管主成分可以有m个, 但是为了降维, 我们会选k<<m, 在简化问题的同时保留大部分信息. 这里的信息指原有变量的方差.

定理 1.3

任意[1,m]上的正整数q, 考虑正交变换y=BTx,其中y是q维向量, BT是q×m维矩阵, 令y的协方差矩阵为Σy=BTΣB. 则tr(Σy)在B=Aq时取到最大值, Aq是正交矩阵A的前q列.