主成分分析深度专题

1. 概述

主成分分析（Principal Component Analysis, PCA）是最经典的降维方法之一，通过线性变换将高维数据投影到低维空间，同时尽可能保留原始数据的方差信息。¹

1.1 为什么需要PCA？

问题	PCA的解决方案
维度灾难	将高维数据映射到低维子空间
冗余特征	识别并去除高度相关的特征方向
噪声干扰	保留主要方差方向，过滤噪声
可视化	将高维数据投影到2-3维空间
预处理	作为其他算法的降维步骤

1.2 PCA与其他降维方法的对比

import numpy as np
from sklearn.decomposition import PCA, KernelPCA, IncrementalPCA
from sklearn.manifold import TSNE
import matplotlib.pyplot as plt
 
# 生成非线性流形数据（瑞士卷）
from sklearn.datasets import make_swiss_roll
X, color = make_swiss_roll(n_samples=1000, noise=0.1, random_state=42)
 
fig, axes = plt.subplots(2, 2, figsize=(12, 10))
 
# PCA（线性投影）
pca = PCA(n_components=2)
X_pca = pca.fit_transform(X)
axes[0, 0].scatter(X_pca[:, 0], X_pca[:, 1], c=color, cmap='viridis', s=1)
axes[0, 0].set_title(f'PCA (explained var: {pca.explained_variance_ratio_.sum():.2%})')
 
# Kernel PCA（RBF核）
kpca = KernelPCA(n_components=2, kernel='rbf', gamma=0.1)
X_kpca = kpca.fit_transform(X)
axes[0, 1].scatter(X_kpca[:, 0], X_kpca[:, 1], c=color, cmap='viridis', s=1)
axes[0, 1].set_title('Kernel PCA (RBF)')
 
# t-SNE（非线性流形学习）
tsne = TSNE(n_components=2, random_state=42, perplexity=30)
X_tsne = tsne.fit_transform(X)
axes[1, 0].scatter(X_tsne[:, 0], X_tsne[:, 1], c=color, cmap='viridis', s=1)
axes[1, 0].set_title('t-SNE')
 
# Incremental PCA
ipca = IncrementalPCA(n_components=2)
X_ipca = ipca.fit_transform(X)
axes[1, 1].scatter(X_ipca[:, 0], X_ipca[:, 1], c=color, cmap='viridis', s=1)
axes[1, 1].set_title('Incremental PCA')

---

2. PCA的数学推导

PCA可以通过两种等价的视角推导：最大方差视角和最小重构误差视角。²

2.1 最大方差视角

假设数据已中心化（均值为0），我们的目标是找到一组正交基向量（主轴），使得数据在这些方向上的投影方差最大。

单主成分

对于第一个主成分 $w_1$（满足 $\Vert w_1{\Vert }_2=1$），投影后的方差为：

$$\text{Var}(X{w}_1)=\frac{1}{n}\Vert X{w}_1{\Vert }^2=\frac{1}{n}{w}_1^T{X}^{T}X{w}_1=w_1^{T}C{w}_1$$

其中 $C=\frac{1}{n}{X}^{T}X$ 是数据的协方差矩阵。

最大化方差约束在单位范数下，使用拉格朗日乘子法：

$$\mathcal{L}(w_1,\lambda )=w_1^{T}C{w}_1-\lambda (w_1^T{w}_1-1)$$

求导并设为零：

$$\frac{\partial \mathcal{L}}{\partial w_1}=2C{w}_1-2\lambda w_1=0\Rightarrow C{w}_1=\lambda w_1$$

这正是特征值方程！因此 $w_1$ 是协方差矩阵 $C$ 的特征向量，对应的方差为特征值 $\lambda$。

多主成分

第二个主成分 $w_2$ 不仅要最大化方差，还要与 $w_1$ 正交（$w_2^T{w}_1=0$）。这同样会导致 $w_2$ 是 $C$ 的特征向量，且 ${\lambda }_2\le {\lambda }_1$。

结论：PCA的主轴就是协方差矩阵的特征向量，按对应特征值从大到小排序。

2.2 最小重构误差视角

另一种等价的推导是最小化重构误差。设原始数据 $x_i\in {\mathbb{R}}^D$，我们将其投影到 $K$ 维子空间：

$${\hat{x}}_i=\sum _{k=1}^K{a}_{ik}{w}_k=W{a}_i$$

其中 $W=[w_1,w_2,\dots ,w_K]\in {\mathbb{R}}^{D\times K}$，$a_i\in {\mathbb{R}}^K$ 是投影系数。

重构误差：

$$J=\sum _{i=1}^n\Vert x_i-{\hat{x}}_i{\Vert }^2=\Vert X-XW{W}^T{\Vert }_F^2$$

最小化此目标函数同样得到 $W$ 的列为协方差矩阵 $X^{T}X$ 的前 $K$ 个特征向量。

2.3 SVD与PCA的关系

设数据矩阵 $X\in {\mathbb{R}}^{n\times D}$（$n$ 个样本，$D$ 维特征），中心化后的SVD为：

$$X=U\Sigma V^T$$

其中：

• $U\in {\mathbb{R}}^{n\times n}$：左奇异向量
• $\Sigma \in {\mathbb{R}}^{n\times D}$：奇异值矩阵
• $V\in {\mathbb{R}}^{D\times D}$：右奇异向量

关键关系：

$$X^{T}X=V{\Sigma }^T{U}^{T}U\Sigma V^T=V{\Sigma }^2{V}^T$$

因此，PCA的主成分（特征向量）就是数据矩阵的右奇异向量，奇异值的平方是对应的特征值。

import numpy as np
 
def pca_svd(X, n_components=None):
    """
    使用SVD进行PCA
    
    Args:
        X: 中心化后的数据矩阵 (n_samples, n_features)
        n_components: 保留的主成分数量
    
    Returns:
        components: 主成分方向 (n_components, n_features)
        explained_variance: 各主成分解释的方差
        explained_variance_ratio: 方差解释比例
    """
    # SVD分解
    U, s, Vt = np.linalg.svd(X, full_matrices=False)
    
    # 确定主成分数量
    if n_components is None:
        n_components = len(s)
    
    # 主成分方向（V的行）
    components = Vt[:n_components]
    
    # 解释的方差（奇异值的平方 / (n-1)）
    explained_variance = s[:n_components]**2 / (X.shape[0] - 1)
    explained_variance_ratio = explained_variance / explained_variance.sum()
    
    return components, explained_variance, explained_variance_ratio
 
# 示例
np.random.seed(42)
X = np.random.randn(100, 5) @ np.random.randn(5, 3)  # 降维生成
X_centered = X - X.mean(axis=0)
 
components, var, var_ratio = pca_svd(X_centered, n_components=3)
print(f"主成分方向:\n{components}")
print(f"解释方差比例: {var_ratio}")

---

3. 概率PCA（Probabilistic PCA）

概率PCA是PCA的生成模型版本，提供了更灵活的框架和贝叶斯解释。³

3.1 生成模型

假设潜在变量 $z\in {\mathbb{R}}^K$ 服从标准正态分布：

$$p(z)=\mathcal{N}(z\mid 0,I_K)$$

观测变量 $x\in {\mathbb{R}}^D$ 由潜在变量线性生成，并加上各向同性噪声：

$$x=Wz+\mu +ϵ$$

其中：

• $W\in {\mathbb{R}}^{D\times K}$：负载矩阵（loading matrix）
• $\mu \in {\mathbb{R}}^D$：均值向量
• $ϵ\sim \mathcal{N}(0,{\sigma }^2{I}_D)$：噪声

因此，观测模型为：

$$p(x\mid z)=\mathcal{N}(x\mid Wz+\mu ,{\sigma }^2{I}_D)$$

3.2 边缘分布

对潜在变量积分，得到观测数据的边缘分布：

$$p(x)=\int p(x\mid z)p(z)dz=\mathcal{N}(x\mid \mu ,C)$$

其中 $C=W{W}^T+{\sigma }^2{I}_D$ 是数据的协方差矩阵。

关键洞察：当 ${\sigma }^2\to 0$ 时，$C=W{W}^T$，此时概率PCA退化为经典PCA。

3.3 后验分布

给定观测 $x$，潜在变量的后验分布为：

$$p(z\mid x)=\mathcal{N}(z\mid M^{-1}{W}^T(x-\mu ),{\sigma }^2{M}^{-1})$$

其中 $M=W^{T}W+{\sigma }^2{I}_K$。

3.4 EM算法求解

对于概率PCA，通常使用EM算法高效估计参数 $W$ 和 ${\sigma }^2$：

E步：计算潜在变量的后验期望

$$\mathbb{E}[z\mid x]=M^{-1}{W}^T(x-\mu )$$ $$\mathbb{E}[z{z}^T\mid x]={\sigma }^2{M}^{-1}+\mathbb{E}[z\mid x]\mathbb{E}[z\mid x{]}^T$$

M步：更新参数

$$W^{new}=\left(\sum _{n=1}^N(x_n-\mu )(x_n-\mu {)}^T\mathbb{E}[z_n\mid x_n]\right){\left(\sum _{n=1}^N\mathbb{E}[z_n{z}_n^T\mid x_n]\right)}^{-1}$$ $$({\sigma }^2{)}^{new}=\frac{1}{ND}\sum _{n=1}^N{\Vert x_n-\mu -W^{new}\mathbb{E}[z_n\mid x_n]\Vert }^2+\text{tr}\left(({\sigma }^2{)}^{old}{W}^{new}{M}^{-1}{W}^{ne{w}^T}\right)$$

import numpy as np
 
class ProbabilisticPCA:
    """
    概率PCA实现
    
    使用EM算法估计参数
    """
    def __init__(self, n_components, tol=1e-4, max_iter=100):
        self.n_components = n_components
        self.tol = tol
        self.max_iter = max_iter
    
    def fit(self, X):
        n, D = X.shape
        K = self.n_components
        
        # 中心化数据
        self.mean = np.mean(X, axis=0)
        X_centered = X - self.mean
        
        # 初始化W为随机正交矩阵
        W = np.random.randn(D, K)
        W, _ = np.linalg.qr(W)  # QR分解确保正交
        
        sigma2 = 1.0
        
        for iteration in range(self.max_iter):
            # E步
            M = W.T @ W + sigma2 * np.eye(K)
            M_inv = np.linalg.inv(M)
            
            # 后验均值和二阶矩
            Ez = M_inv @ W.T @ X_centered.T  # (K, n)
            EzzT = n * sigma2 * M_inv + Ez @ Ez.T  # (K, K)
            
            # M步
            W_new = (X_centered.T @ Ez.T) @ np.linalg.inv(EzzT)
            
            # 更新sigma2
            residual = X_centered - (W_new @ Ez).T
            sigma2_new = np.sum(residual**2) / (n * D) + np.trace(sigma2 * W_new @ M_inv @ W_new.T) * (D / n)
            
            # 检查收敛
            change = np.abs(sigma2_new - sigma2)
            if change < self.tol:
                print(f"EM converged at iteration {iteration}")
                break
            
            W = W_new
            sigma2 = sigma2_new
        
        self.W = W
        self.sigma2 = sigma2
        self.M = W.T @ W + sigma2 * np.eye(K)
        
        return self
    
    def transform(self, X):
        """投影到潜在空间"""
        X_centered = X - self.mean
        return (np.linalg.inv(self.M) @ self.W.T @ X_centered.T).T
    
    def inverse_transform(self, z):
        """从潜在空间重构"""
        return (self.W @ z.T).T + self.mean
 
# 示例
np.random.seed(42)
X = np.random.randn(500, 10) @ np.random.randn(10, 5) + np.random.randn(500, 5) * 0.1
 
ppca = ProbabilisticPCA(n_components=3)
ppca.fit(X)
 
z = ppca.transform(X[:10])
X_reconstructed = ppca.inverse_transform(z)
 
print(f"重构误差: {np.mean((X[:10] - X_reconstructed)**2):.4f}")

3.5 与经典PCA的关系

方面	经典PCA	概率PCA
参数估计	直接SVD分解	EM算法
噪声处理	隐式忽略	显式建模 ${\sigma }^2$
新样本	需要重新计算	可直接投影
贝叶斯扩展	不支持	自然支持贝叶斯推断
计算复杂度	$O(\min (n{D}^2,n^{2}D))$	$O(nDK)$

---

4. 核PCA（Kernel PCA）

核PCA将核技巧应用到PCA，实现非线性降维。⁴

4.1 动机

经典PCA只能学习线性子空间，对于非线性流形结构（如瑞士卷、螺旋）效果较差。

4.2 核技巧

核PCA通过核函数 $\kappa (x_i,x_j)$ 将数据映射到高维特征空间 $\varphi (x)$，然后在特征空间中进行PCA：

$$\kappa (x_i,x_j)=⟨\varphi (x_i),\varphi (x_j)⟩$$

4.3 数学推导

设 $\Phi \in {\mathbb{R}}^{n\times F}$ 是特征空间中的数据中心化数据矩阵（$F$ 可能无穷大）。核PCA要求解的特征方程：

$${\Phi }^T\Phi v=\lambda v$$

其中 ${\Phi }^T\Phi \in {\mathbb{R}}^{n\times n}$ 是核矩阵 $K$。

利用 $v={\Phi }^T\alpha$，得到：

$$K\alpha =\lambda \alpha$$

其中 $\alpha \in {\mathbb{R}}^n$ 是特征向量。

4.4 常见核函数

核函数	公式	参数
线性核	$\kappa (x,y)=x^{T}y$	无
多项式核	$\kappa (x,y)=(x^{T}y+c{)}^d$	$c,d$
RBF/高斯核	$\kappa (x,y)=\exp (-\frac{\Vert x-y{\Vert }^2}{2{\sigma }^2})$	$\sigma$
拉普拉斯核	$\kappa (x,y)=\exp (-\frac{\Vert x-y\Vert }{\sigma })$	$\sigma$
Sigmoid核	$\kappa (x,y)=\tanh (a{x}^{T}y+b)$	$a,b$

4.5 代码实现

import numpy as np
 
class KernelPCA:
    """
    核PCA实现
    
    支持多种核函数
    """
    def __init__(self, n_components, kernel='rbf', gamma=None, degree=3, coef0=1):
        self.n_components = n_components
        self.kernel = kernel
        self.gamma = gamma
        self.degree = degree
        self.coef0 = coef0
    
    def _compute_kernel(self, X):
        """计算核矩阵"""
        n = X.shape[0]
        K = np.zeros((n, n))
        
        if self.kernel == 'linear':
            K = X @ X.T
        
        elif self.kernel == 'rbf':
            if self.gamma is None:
                self.gamma = 1.0 / X.shape[1]
            # ||x - y||^2 = ||x||^2 + ||y||^2 - 2 x^T y
            X_sqnorms = np.sum(X**2, axis=1)
            K = np.exp(-self.gamma * (
                X_sqnorms[:, np.newaxis] + X_sqnorms[np.newaxis, :] - 2 * (X @ X.T)
            ))
        
        elif self.kernel == 'poly':
            K = (self.gamma * X @ X.T + self.coef0) ** self.degree
        
        elif self.kernel == 'sigmoid':
            K = np.tanh(self.gamma * X @ X.T + self.coef0)
        
        return K
    
    def _center_kernel_matrix(self, K):
        """中心化核矩阵"""
        n = K.shape[0]
        # K_centered = K - 1_n K - K 1_n + 1_n K 1_n
        ones_n = np.ones((n, n)) / n
        return K - ones_n @ K - K @ ones_n + ones_n @ K @ ones_n
    
    def fit(self, X):
        self.X = X
        
        # 计算并中心化核矩阵
        K = self._compute_kernel(X)
        self.K_centered = self._center_kernel_matrix(K)
        
        # 特征分解
        eigenvalues, eigenvectors = np.linalg.eigh(self.K_centered)
        
        # 按特征值从大到小排序
        idx = np.argsort(eigenvalues)[::-1]
        eigenvalues = eigenvalues[idx]
        eigenvectors = eigenvectors[:, idx]
        
        # 取前n_components个
        self.eigenvalues = eigenvalues[:self.n_components]
        self.eigenvectors = eigenvectors[:, :self.n_components]
        
        # 归一化特征向量
        self.alpha = self.eigenvectors / np.sqrt(np.abs(self.eigenvalues) + 1e-10)
        
        return self
    
    def transform(self, X_new):
        """投影新样本到核PCA空间"""
        n_train = self.X.shape[0]
        n_new = X_new.shape[0]
        
        # 计算测试集与训练集的核矩阵
        K_test = np.zeros((n_new, n_train))
        
        if self.kernel == 'linear':
            K_test = X_new @ self.X.T
        
        elif self.kernel == 'rbf':
            X_train_sqnorms = np.sum(self.X**2, axis=1)
            X_new_sqnorms = np.sum(X_new**2, axis=1)
            K_test = np.exp(-self.gamma * (
                X_new_sqnorms[:, np.newaxis] + X_train_sqnorms[np.newaxis, :] 
                - 2 * (X_new @ self.X.T)
            ))
        
        # 中心化
        ones_train = np.ones((n_train, n_train)) / n_train
        ones_new_train = np.ones((n_new, n_train)) / n_train
        
        K_test_centered = K_test - ones_new_train @ self.K_centered @ ones_train @ ones_train
        
        # 投影
        return K_test_centered @ self.alpha
 
# 示例
np.random.seed(42)
# 生成同心圆数据（线性不可分）
angles = np.random.uniform(0, 2 * np.pi, 500)
r1 = np.random.normal(1, 0.1, 250)
r2 = np.random.normal(2, 0.1, 250)
 
X1 = np.column_stack([r1 * np.cos(angles[:250]), r1 * np.sin(angles[:250])])
X2 = np.column_stack([r2 * np.cos(angles[250:]), r2 * np.sin(angles[250:])])
X = np.vstack([X1, X2])
y = np.array([0] * 250 + [1] * 250)
 
# 线性PCA
pca = PCA(n_components=2)
X_pca = pca.fit_transform(X)
 
# 核PCA
kpca = KernelPCA(n_components=2, kernel='rbf', gamma=0.5)
X_kpca = kpca.fit_transform(X)

4.6 优缺点分析

方面	优点	缺点
非线性	能捕捉复杂流形结构	计算复杂度高 $O(n^2)$
核选择	灵活适应不同数据结构	需要调参
可解释性	核函数可解释	特征向量难以解释
新样本	可直接投影	需要存储核矩阵

---

5. 增量PCA（Incremental PCA）

增量PCA用于处理大规模数据或在线学习场景。⁵

5.1 动机

经典PCA需要将整个数据集加载到内存中，对于大规模数据或流式数据不适用。

5.2 随机SVD算法

使用随机投影加速SVD分解：

import numpy as np
 
class IncrementalPCA:
    """
    增量PCA实现
    
    基于随机SVD的在线学习方法
    """
    def __init__(self, n_components, batch_size=100, n_iter=5):
        self.n_components = n_components
        self.batch_size = batch_size
        self.n_iter = n_iter
    
    def fit(self, X):
        n, D = X.shape
        
        # 初始化
        self.mean = np.zeros(D)
        self.V = np.zeros((D, self.n_components))
        self.S_sq = np.zeros(self.n_components)  # 奇异值平方
        
        n_samples = 0
        
        # 分批处理
        for start in range(0, n, self.batch_size):
            end = min(start + self.batch_size, n)
            X_batch = X[start:end]
            
            # 更新均值
            batch_mean = X_batch.mean(axis=0)
            delta = batch_mean - self.mean
            self.mean += delta * (len(X_batch) / (n_samples + len(X_batch)))
            n_samples += len(X_batch)
            
            # 中心化批次
            X_batch_centered = X_batch - batch_mean
            
            # QR分解获取当前基
            Q, R = np.linalg.qr(np.column_stack([self.V, X_batch_centered.T]))
            
            # 随机投影
            for _ in range(self.n_iter):
                Z = Q @ np.random.randn(Q.shape[1], self.n_components + D)
                Z, _ = np.linalg.qr(Z)
                Z = Q.T @ Z
                Z, _ = np.linalg.qr(Z)
                Q = Q @ Z if Z.shape[0] == Q.shape[1] else Q @ Z.T
            
            # 更新V和S
            B = Q.T @ X_batch_centered.T
            U_b, S_b, Vt_b = np.linalg.svd(B, full_matrices=False)
            
            k = min(self.n_components, len(S_b))
            self.V = Q @ U_b[:, :k]
            self.S_sq[:k] = S_b[:k]**2
            
            Q = Q @ Vt_b[:k].T if k < Vt_b.shape[0] else Q
        
        # 计算解释方差比例
        total_var = np.sum(self.S_sq)
        self.explained_variance_ratio_ = self.S_sq / total_var
        
        return self
    
    def transform(self, X):
        """投影到主成分空间"""
        X_centered = X - self.mean
        return X_centered @ self.V
    
    def fit_transform(self, X):
        self.fit(X)
        return self.transform(X)
 
# 示例：处理大规模数据
np.random.seed(42)
# 模拟100万个样本
X_large = np.random.randn(10000, 100) @ np.random.randn(100, 20)
 
ipca = IncrementalPCA(n_components=10, batch_size=500)
X_reduced = ipca.fit_transform(X_large)
 
print(f"原始维度: {X_large.shape}")
print(f"降维后: {X_reduced.shape}")
print(f"解释方差比例: {ipca.explained_variance_ratio_}")

5.3 场景选择

场景	推荐方法
小数据集（<10K）	经典PCA（SVD分解）
中等数据集（10K-1M）	增量PCA或随机SVD
超大规模（>1M）	分布式PCA或随机投影
在线学习	增量PCA

---

6. PCA白化变换

白化（Whitening）是一种重要的预处理步骤，使数据具有单位协方差矩阵。

6.1 白化的定义

白化变换 $x_{white}=Wx$ 满足：

$$\mathbb{E}[x_{white}{x}_{white}^T]=I$$

即各维度不相关且方差为1。

6.2 PCA白化

基于PCA的白化：

$$W_{PCA}={\Lambda }^{-1/2}{V}^T$$

其中 $V$ 是特征向量矩阵，$\Lambda$ 是特征值对角矩阵。

def pca_whitening(X, n_components=None):
    """
    PCA白化实现
    
    白化后的数据具有：
    1. 零均值
    2. 单位方差
    3. 各维度不相关
    """
    # 中心化
    X_centered = X - X.mean(axis=0)
    
    # SVD分解
    U, s, Vt = np.linalg.svd(X_centered, full_matrices=False)
    
    if n_components is None:
        n_components = len(s)
    
    # 白化矩阵
    whitening_matrix = Vt[:n_components].T / np.sqrt(s[:n_components] + 1e-10)
    
    # 白化变换
    X_white = X_centered @ whitening_matrix
    
    return X_white, whitening_matrix, Vt[:n_components], s[:n_components]
 
# 示例
np.random.seed(42)
X = np.random.randn(500, 10)
 
X_white, W, V, s = pca_whitening(X, n_components=5)
 
print(f"白化后协方差矩阵:\n{np.cov(X_white.T):.4f}")
print(f"（对角元素接近1，其他元素接近0）")

6.3 ZCA白化

ZCA（Zero-phase Component Analysis）白化保持数据尽可能接近原始形式：

$$W_{ZCA}=V{\Lambda }^{-1/2}{V}^T$$

def zca_whitening(X, n_components=None, epsilon=1e-10):
    """
    ZCA白化实现
    
    特点：最小化与原始数据的重构误差
    """
    # 中心化
    X_centered = X - X.mean(axis=0)
    
    # 协方差矩阵的特征分解
    cov = np.cov(X_centered.T)
    eigenvalues, eigenvectors = np.linalg.eigh(cov)
    
    # 排序
    idx = np.argsort(eigenvalues)[::-1]
    eigenvalues = eigenvalues[idx]
    eigenvectors = eigenvectors[:, idx]
    
    if n_components is None:
        n_components = len(eigenvalues)
    
    # ZCA白化矩阵
    whitening_matrix = eigenvectors[:, :n_components] @ \
                       np.diag(1.0 / np.sqrt(eigenvalues[:n_components] + epsilon)) @ \
                       eigenvectors[:, :n_components].T
    
    X_white = X_centered @ whitening_matrix
    
    return X_white, whitening_matrix
 
# 可视化比较
import matplotlib.pyplot as plt
 
# 生成相关数据
np.random.seed(42)
X_correlated = np.random.randn(500, 2)
X_correlated[:, 1] = 0.8 * X_correlated[:, 0] + 0.2 * np.random.randn(500)
 
# PCA白化
X_pca_white, _ = pca_whitening(X_correlated)
 
# ZCA白化
X_zca_white, _ = zca_whitening(X_correlated)

6.4 在深度学习中的应用

应用	作用
输入预处理	标准化协方差，加速训练
白化神经元	L2正则化的非线性版本
实例归一化	类似ZCA的空间白化
对比学习	协方差匹配作为正则化

---

7. 实践指南

7.1 何时使用PCA

适合的场景：

• 数据维度高于样本数
• 特征之间存在强相关性
• 作为下游算法的预处理步骤
• 数据可视化

不适合的场景：

• 数据本身是离散的（如类别数据）
• 需要保留可解释性
• 数据方差主要分布在非线性流形上

7.2 选择主成分数量

def select_n_components(X, variance_threshold=0.95):
    """
    基于累积解释方差选择主成分数量
    """
    pca = PCA()
    pca.fit(X)
    
    cumsum = np.cumsum(pca.explained_variance_ratio_)
    n_components = np.searchsorted(cumsum, variance_threshold) + 1
    
    return n_components, cumsum
 
# 可视化解释方差
import matplotlib.pyplot as plt
 
plt.figure(figsize=(10, 4))
plt.subplot(1, 2, 1)
plt.plot(cumsum, 'bo-')
plt.axhline(y=0.95, color='r', linestyle='--')
plt.xlabel('Number of Components')
plt.ylabel('Cumulative Explained Variance')
plt.title('Scree Plot')
 
plt.subplot(1, 2, 2)
plt.bar(range(1, len(pca.explained_variance_ratio_) + 1), 
        pca.explained_variance_ratio_)
plt.xlabel('Principal Component')
plt.ylabel('Explained Variance Ratio')
plt.title('Individual Explained Variance')

7.3 常见陷阱

# 陷阱1：忘记中心化
# 错误做法
U, s, Vt = np.linalg.svd(X)  # X未中心化
 
# 正确做法
X_centered = X - X.mean(axis=0)
U, s, Vt = np.linalg.svd(X_centered)
 
# 陷阱2：对非高斯数据直接PCA
# 如果数据的分布不是椭球形，PCA可能不是最优的
# 考虑先进行非线性变换（如Box-Cox）
 
# 陷阱3：混淆训练集和测试集
# 正确做法：只在训练集上fit，transform测试集
pca = PCA(n_components=10)
pca.fit(X_train)  # 只在训练集上拟合
X_train_pca = pca.transform(X_train)
X_test_pca = pca.transform(X_test)  # 用相同的变换

---

8. 总结

PCA家族对比

方法	线性/非线性	概率解释	计算复杂度	适用场景
经典PCA	线性	无	$O(\min (n{D}^2))$	通用降维
概率PCA	线性	有	$O(nDK)$	生成模型
核PCA	非线性	无	$O(n^2)$	非线性流形
增量PCA	线性	无	$O(nDB)$	大规模数据
ZCA白化	线性	无	$O(D^3)$	图像预处理

核心公式汇总

目标	公式
协方差矩阵	$C=\frac{1}{n-1}{X}^{T}X$
PCA投影	$Y=X{V}_k$
重构	$\hat{X}=X{V}_k{V}_k^T$
重构误差	$\Vert X-\hat{X}{\Vert }_F^2={\sum }_{i=k+1}^D{\lambda }_i$
PCA白化	$X_{white}={\Lambda }^{-1/2}{V}^{T}X$

---

参考资料

---

相关阅读

• 降维技术全面对比：从PCA到UMAP的完整对比分析
• t-SNE：非线性降维方法，适合聚类可视化
• UMAP：基于拓扑数据的降维方法，计算效率高
• PCA与自编码器的联系：线性PCA与非线性自编码器的关系

Footnotes

1. Jolliffe, I. T. (2002). Principal Component Analysis (2nd ed.). Springer. ↩

2. Shlens, J. (2014). A Tutorial on Principal Component Analysis. arXiv:1404.1100. ↩

3. Tipping, M. E., & Bishop, C. M. (1999). Probabilistic Principal Component Analysis. Journal of the Royal Statistical Society: Series B, 61(3), 611-622. ↩

4. Schölkopf, B., Smola, A., & Müller, K. R. (1998). Nonlinear Component Analysis as a Kernel Eigenvalue Problem. Neural Computation, 10(5), 1299-1319. ↩

5. Weng, J., & Ahuja, N. (2000). Incremental Principal Component Analysis. Proceedings of the International Conference on Image Processing. ↩