Python：使用 SVD 实现 PCA

Question

我试图找出使用奇异值分解的 PCA 与使用特征向量分解的 PCA 之间的区别。

画出以下矩阵：

 B = np.array([          [1, 2],
                         [3, 4],
                         [5, 6] ])

使用特征向量分解计算此矩阵 B 的 PCA 时，我们遵循以下步骤：

通过从每列中减去列均值来使数据（B 的条目）居中
计算协方差矩阵C = Cov(B) = B^T * B / (m -1)，其中 m = B 的 # 行
求出 C 的特征向量
PCs = X * eigen_vecs

当使用 SVD 计算矩阵 B 的 PCA 时，我们遵循以下步骤：

计算 B 的 SVD：B = U * Sigma * V.T
PCs = U * Sigma

我已经为给定的矩阵完成了这两项工作。

使用特征向量分解得到这个结果：

[[-2.82842712  0.        ]
 [ 0.          0.        ]
 [ 2.82842712  0.        ]]

使用 SVD 我得到了这个结果：

[[-2.18941839  0.45436451]
 [-4.99846626  0.12383458]
 [-7.80751414 -0.20669536]]

特征向量分解得到的结果是作为解给出的结果。那么，为什么用SVD得到的结果不一样呢？

我知道：C = Cov(B) = V * (Sigma^2)/(m-1)) * V.T 我觉得这可能与两个结果不同的原因有关。仍然。谁能帮助我更好地理解？

Answer 1

请在下面查看您的矩阵与 sklearn.decomposition.PCA 和 numpy.linalg.svd 的比较。您能否比较或 post 您是如何得出 SVD 结果的。

sklearn.decomposition.PCA的代码：

from sklearn.decomposition import PCA
import numpy as np 
np.set_printoptions(precision=3)

B = np.array([[1.0,2], [3,4], [5,6]])

B1 = B.copy() 
B1 -= np.mean(B1, axis=0) 
n_samples = B1.shape[0]
print("B1 is B after centering:")
print(B1)

cov_mat = np.cov(B1.T)
pca = PCA(n_components=2) 
X = pca.fit_transform(B1)
print("X")
print(X)

eigenvecmat =   []
print("Eigenvectors:")
for eigenvector in pca.components_:
   if eigenvecmat == []:
        eigenvecmat = eigenvector
   else:
        eigenvecmat = np.vstack((eigenvecmat, eigenvector))
   print(eigenvector)
print("eigenvector-matrix")
print(eigenvecmat)

print("CHECK FOR PCA:")
print("X * eigenvector-matrix (=B1)")
print(np.dot(PCs, eigenvecmat))

PCA 的输出：

B1 is B after centering:
[[-2. -2.]
 [ 0.  0.]
 [ 2.  2.]]
X
[[-2.828  0.   ]
 [ 0.     0.   ]
 [ 2.828  0.   ]]
Eigenvectors:
[0.707 0.707]
[-0.707  0.707]
eigenvector-matrix
[[ 0.707  0.707]
 [-0.707  0.707]]
CHECK FOR PCA:
X * eigenvector-matrix (=B1)
[[-2. -2.]
 [ 0.  0.]
 [ 2.  2.]]

numpy.linalg.svd:

print("B1 is B after centering:")
print(B1)

from numpy.linalg import svd 
U, S, Vt = svd(X1, full_matrices=True)

print("U:")
print(U)
print("S used for building Sigma:")
print(S)
Sigma = np.zeros((3, 2), dtype=float)
Sigma[:2, :2] = np.diag(S)
print("Sigma:")
print(Sigma)
print("V already transposed:")
print(Vt)
print("CHECK FOR SVD:")
print("U * Sigma * Vt (=B1)")
print(np.dot(U, np.dot(Sigma, Vt)))

SVD 的输出：

B1 is B after centering:
[[-2. -2.]
 [ 0.  0.]
 [ 2.  2.]]
U:
[[-0.707  0.     0.707]
 [ 0.     1.     0.   ]
 [ 0.707  0.     0.707]]
S used for building Sigma:
[4. 0.]
Sigma:
[[4. 0.]
 [0. 0.]
 [0. 0.]]
V already transposed:
[[ 0.707  0.707]
 [-0.707  0.707]]
CHECK FOR SVD:
U * Sigma * Vt (=B1)
[[-2. -2.]
 [ 0.  0.]
 [ 2.  2.]]

Python：使用 SVD 实现 PCA

Python: Implement a PCA using SVD

python

data-science

pca

svd