您现在的位置是:网站首页> 编程资料编程资料
Python实现12种降维算法的示例代码_python_
2023-05-26
521人已围观
简介 Python实现12种降维算法的示例代码_python_
网上关于各种降维算法的资料参差不齐,同时大部分不提供源代码。这里有个 GitHub 项目整理了使用 Python 实现了 11 种经典的数据抽取(数据降维)算法,包括:PCA、LDA、MDS、LLE、TSNE 等,并附有相关资料、展示效果;非常适合机器学习初学者和刚刚入坑数据挖掘的小伙伴。
为什么要进行数据降维
所谓降维,即用一组个数为 d 的向量 Zi 来代表个数为 D 的向量 Xi 所包含的有用信息,其中 d
通常,我们会发现大部分数据集的维度都会高达成百乃至上千,而经典的 MNIST,其维度都是 64。

MNIST 手写数字数据集
但在实际应用中,我们所用到的有用信息却并不需要那么高的维度,而且每增加一维所需的样本个数呈指数级增长,这可能会直接带来极大的「维数灾难」;而数据降维就可以实现:
- 使得数据集更易使用
- 确保变量之间彼此独立
- 降低算法计算运算成本
去除噪音一旦我们能够正确处理这些信息,正确有效地进行降维,这将大大有助于减少计算量,进而提高机器运作效率。而数据降维,也常应用于文本处理、人脸识别、图片识别、自然语言处理等领域。
数据降维原理
往往高维空间的数据会出现分布稀疏的情况,所以在降维处理的过程中,我们通常会做一些数据删减,这些数据包括了冗余的数据、无效信息、重复表达内容等。
例如:现有一张 1024*1024 的图,除去中心 50*50 的区域其它位置均为零值,这些为零的信息就可以归为无用信息;而对于对称图形而言,对称部分的信息则可以归为重复信息。
因此,大部分经典降维技术也是基于这一内容而展开,其中降维方法又分为线性和非线性降维,非线性降维又分为基于核函数和基于特征值的方法。
- 线性降维方法:PCA 、ICA LDA、LFA、LPP(LE 的线性表示)
- 非线性降维方法:
基于核函数的非线性降维方法——KPCA 、KICA、KDA
基于特征值的非线性降维方法(流型学习)——ISOMAP、LLE、LE、LPP、LTSA、MVU
哈尔滨工业大学计算机技术专业的在读硕士生 Heucoder 则整理了 PCA、KPCA、LDA、MDS、ISOMAP、LLE、TSNE、AutoEncoder、FastICA、SVD、LE、LPP 共 12 种经典的降维算法,并提供了相关资料、代码以及展示,下面将主要以 PCA 算法为例介绍降维算法具体操作。
主成分分析(PCA)降维算法
PCA 是一种基于从高维空间映射到低维空间的映射方法,也是最基础的无监督降维算法,其目标是向数据变化最大的方向投影,或者说向重构误差最小化的方向投影。它由 Karl Pearson 在 1901 年提出,属于线性降维方法。与 PCA 相关的原理通常被称为最大方差理论或最小误差理论。这两者目标一致,但过程侧重点则不同。

最大方差理论降维原理
将一组 N 维向量降为 K 维(K 大于 0,小于 N),其目标是选择 K 个单位正交基,各字段两两间 COV(X,Y) 为 0,而字段的方差则尽可能大。因此,最大方差即使得投影数据的方差被最大化,在这过程中,我们需要找到数据集 Xmxn 的最佳的投影空间 Wnxk、协方差矩阵等,其算法流程为:
- 算法输入:数据集 Xmxn;
- 按列计算数据集 X 的均值 Xmean,然后令 Xnew=X−Xmean;
- 求解矩阵 Xnew 的协方差矩阵,并将其记为 Cov;
- 计算协方差矩阵 COV 的特征值和相应的特征向量;
- 将特征值按照从大到小的排序,选择其中最大的 k 个,然后将其对应的 k 个特征向量分别作为列向量组成特征向量矩阵 Wnxk;
- 计算 XnewW,即将数据集 Xnew 投影到选取的特征向量上,这样就得到了我们需要的已经降维的数据集 XnewW。

最小误差理论降维原理
而最小误差则是使得平均投影代价最小的线性投影,这一过程中,我们则需要找到的是平方错误评价函数 J0(x0) 等参数。
主成分分析(PCA)代码实现

关于 PCA 算法的代码如下:
from __future__ import print_function from sklearn import datasets import matplotlib.pyplot as plt import matplotlib.cm as cmx import matplotlib.colors as colors import numpy as np %matplotlib inline def shuffle_data(X, y, seed=None): if seed: np.random.seed(seed) idx = np.arange(X.shape[0]) np.random.shuffle(idx) return X[idx], y[idx] # 正规化数据集 X def normalize(X, axis=-1, p=2): lp_norm = np.atleast_1d(np.linalg.norm(X, p, axis)) lp_norm[lp_norm == 0] = 1 return X / np.expand_dims(lp_norm, axis) # 标准化数据集 X def standardize(X): X_std = np.zeros(X.shape) mean = X.mean(axis=0) std = X.std(axis=0) # 做除法运算时请永远记住分母不能等于 0 的情形 # X_std = (X - X.mean(axis=0)) / X.std(axis=0) for col in range(np.shape(X)[1]): if std[col]: X_std[:, col] = (X_std[:, col] - mean[col]) / std[col] return X_std # 划分数据集为训练集和测试集 def train_test_split(X, y, test_size=0.2, shuffle=True, seed=None): if shuffle: X, y = shuffle_data(X, y, seed) n_train_samples = int(X.shape[0] * (1-test_size)) x_train, x_test = X[:n_train_samples], X[n_train_samples:] y_train, y_test = y[:n_train_samples], y[n_train_samples:] return x_train, x_test, y_train, y_test # 计算矩阵 X 的协方差矩阵 def calculate_covariance_matrix(X, Y=np.empty((0,0))): if not Y.any(): Y = X n_samples = np.shape(X)[0] covariance_matrix = (1 / (n_samples-1)) * (X - X.mean(axis=0)).T.dot(Y - Y.mean(axis=0)) return np.array(covariance_matrix, dtype=float) # 计算数据集 X 每列的方差 def calculate_variance(X): n_samples = np.shape(X)[0] variance = (1 / n_samples) * np.diag((X - X.mean(axis=0)).T.dot(X - X.mean(axis=0))) return variance # 计算数据集 X 每列的标准差 def calculate_std_dev(X): std_dev = np.sqrt(calculate_variance(X)) return std_dev # 计算相关系数矩阵 def calculate_correlation_matrix(X, Y=np.empty([0])): # 先计算协方差矩阵 covariance_matrix = calculate_covariance_matrix(X, Y) # 计算 X, Y 的标准差 std_dev_X = np.expand_dims(calculate_std_dev(X), 1) std_dev_y = np.expand_dims(calculate_std_dev(Y), 1) correlation_matrix = np.divide(covariance_matrix, std_dev_X.dot(std_dev_y.T)) return np.array(correlation_matrix, dtype=float) class PCA(): """ 主成份分析算法 PCA,非监督学习算法. """ def __init__(self): self.eigen_values = None self.eigen_vectors = None self.k = 2 def transform(self, X): """ 将原始数据集 X 通过 PCA 进行降维 """ covariance = calculate_covariance_matrix(X) # 求解特征值和特征向量 self.eigen_values, self.eigen_vectors = np.linalg.eig(covariance) # 将特征值从大到小进行排序,注意特征向量是按列排的,即 self.eigen_vectors 第 k 列是 self.eigen_values 中第 k 个特征值对应的特征向量 idx = self.eigen_values.argsort()[::-1] eigenvalues = self.eigen_values[idx][:self.k] eigenvectors = self.eigen_vectors[:, idx][:, :self.k] # 将原始数据集 X 映射到低维空间 X_transformed = X.dot(eigenvectors) return X_transformed def main(): # Load the dataset data = datasets.load_iris() X = data.data y = data.target # 将数据集 X 映射到低维空间 X_trans = PCA().transform(X) x1 = X_trans[:, 0] x2 = X_trans[:, 1] cmap = plt.get_cmap('viridis') colors = [cmap(i) for i in np.linspace(0, 1, len(np.unique(y)))] class_distr = [] # Plot the different class distributions for i, l in enumerate(np.unique(y)): _x1 = x1[y == l] _x2 = x2[y == l] _y = y[y == l] class_distr.append(plt.scatter(_x1, _x2, color=colors[i])) # Add a legend plt.legend(class_distr, y, loc=1) # Axis labels plt.xlabel('Principal Component 1') plt.ylabel('Principal Component 2') plt.show() if __name__ == "__main__": main()最终,我们将得到降维结果如下。其中,如果得到当特征数 (D) 远大于样本数 (N) 时,可以使用一点小技巧实现 PCA 算法的复杂度转换。

PCA 降维算法展示
当然,这一算法虽然经典且较为常用,其不足之处也非常明显。它可以很好的解除线性相关,但是面对高阶相关性时,效果则较差;同时,PCA 实现的前提是假设数据各主特征是分布在正交方向上,因此对于在非正交方向上存在几个方差较大的方向,PCA 的效果也会大打折扣。
其它降维算法及代码地址
1.KPCA(kernel PCA)
KPCA 是核技术与 PCA 结合的产物,它与 PCA 主要差别在于计算协方差矩阵时使用了核函数,即是经过核函数映射之后的协方差矩阵。
引入核函数可以很好的解决非线性数据映射问题。kPCA 可以将非线性数据映射到高维空间,在高维空间下使用标准 PCA 将其映射到另一个低维空间。

KPCA 降维算法展示
# coding:utf-8 # 实现KPCA from sklearn.datasets import load_iris from sklearn.decomposition import KernelPCA import numpy as np import matplotlib.pyplot as plt from scipy.spatial.distance import pdist, squareform ''' author: heucoder email: 812860165@qq.com date: 2019.6.13 ''' def sigmoid(x, coef = 0.25): x = np.dot(x, x.T) return np.tanh(coef*x+1) def linear(x): x = np.dot(x, x.T) return x def rbf(x, gamma = 15): sq_dists = pdist(x, 'sqeuclidean') mat_sq_dists = squareform(sq_dists) return np.exp(-gamma*mat_sq_dists) def kpca(data, n_dims=2, kernel = rbf): ''' :param data: (n_samples, n_features) :param n_dims: target n_dims :param kernel: kernel functions :return: (n_samples, n_dims) ''' K = kernel(data) # N = K.shape[0] one_n = np.ones((N, N)) / N K = K - one_n.dot(K) - K.dot(one_n) + one_n.dot(K).dot(one_n) # eig_values, eig_vector = np.linalg.eig(K) idx = eig_values.argsort()[::-1] eigval = eig_values[idx][:n_dims] eigvector = eig_vector[:, idx][:, :n_dims] print(eigval) eigval = eigval**(1/2) vi = eigvector/eigval.reshape(-1,n_dims) data_n = np.dot(K, vi) return data_n if __name__ == "__main__": data = load_iris().data Y = load_iris().target data_1 = kpca(data, kernel=rbf) sklearn_kpca = KernelPCA(n_components=2, kernel="rbf", gamma=15) data_2 = sklearn_kpca.fit_transform(data) plt.figure(figsize=(8,4)) plt.subplot(121) plt.title("my_KPCA") plt.scatter(data_1[:, 0], data_1[:, 1], c = Y) plt.subplot(122) plt.title("sklearn_KPCA") plt.scatter(data_2[:, 0], data_2[:, 1], c = Y) plt.show()2.LDA(Linear Discriminant Analysis)
LDA 是一种可作为特征抽取的技术,其目标是向最大化类间差异,最小化类内差异的方向投影,以利于分类等任务即将不同类的样本有效的分开。LDA 可以提高数据分析过程中的计算效率,对于未能正则化的模型,可以降低维度灾难带来的过拟合。

LDA 降维算法展示
#coding:utf-8 import numpy as np from sklearn.discriminant_analysis import LinearDiscriminantAnalysis from sklearn.datasets import load_iris import matplotlib.pyplot as plt ''' author: heucoder email: 812860165@qq.com date: 2019.6.13 ''' def lda(data, target, n_dim): ''' :param data: (n_samples, n_features) :param target: data class :param n_dim: target dimension :return: (n_samples, n_dims) ''' clusters = np.unique(target) if n_dim > len(clusters)-1: print("K is too much") print("please input again") exit(0) #within_class scatter matrix Sw = np.zeros((data.shape[1],data.shape[1])) for i in clusters: datai = data[target == i] datai = datai-datai.mea
相关内容
- python中的__dict__属性介绍_python_
- Python+Selenium实现短视频热点爬取_python_
- Python函数和模块的使用详情_python_
- 利用Python实现网络测试的示例代码_python_
- python决策树预测学生成绩等级实现详情_python_
- Python在画图时使用特殊符号的方法总结_python_
- 巧妙使用python opencv库玩转视频帧率_python_
- python编写学生成绩管理系统的逻辑结构及功能实现_python_
- Pandas中常用的七个时间戳处理函数使用总结_python_
- Python伪代码分析点赞器实现原理及代码_python_
点击排行
本栏推荐
