当前位置：首页 > news >正文

机器学习PCA和LDA

news 来源：原创 2025/4/30 12:36:43

主成分分析（PCA, Principal Component Analysis）和线性判别分析（LDA, Linear Discriminant Analysis）是两种常用的降维方法，它们虽然都用于数据降维，但核心思想和应用场景不同。

PCA（主成分分析）

PCA 是一种无监督学习方法，主要用于特征降维，以最大化数据的方差，同时减少信息损失。其核心思想是找到数据的主成分（方差最大的方向），然后对数据进行投影，从而降低维度。

PCA的步骤

将数据中心化（去均值）并标准化，以消除量纲影响。
衡量不同特征之间的相关性。
找到协方差矩阵的特征值和特征向量，特征向量代表数据的主方向，特征值表示该方向上的方差信息量。
根据特征值大小选择前 $K$ 个特征向量构成新的特征空间。
用选择的特征向量将原始数据投影到新的低维空间。

它不考虑类别标签，仅关注数据的整体分布，通过选择方差最大的方向来保留最多的信息。其主要作用是特征降维，去除冗余特征，并用于数据可视化，尤其适用于高维数据的降维处理，以便于后续分析和建模。

def pca(X:np.array, n_components:int) -> np.array:
    """
    使用 NumPy 实现 PCA 进行降维。
    
    参数:
    X: ndarray, 形状 (n_samples, n_features)，输入数据矩阵
    n_components: int, 降维后的维度数
    
    返回:
    X_pca: ndarray, 形状 (n_samples, n_components)，降维后的数据
    """
    # 1. 数据标准化（去均值）
    X_mean = np.mean(X, axis=0)
    X_centered = X - X_mean
    
    # 2. 计算协方差矩阵
    covariance_matrix = np.cov(X_centered, rowvar=False)
    
    # 3. 计算特征值和特征向量
    eigenvalues, eigenvectors = np.linalg.eig(covariance_matrix)
    
    # 4. 按特征值降序排序
    sorted_indices = np.argsort(eigenvalues)[::-1]
    top_eigenvectors = eigenvectors[:, sorted_indices[:n_components]]
    
    # 5. 投影到新空间
    X_pca = np.dot(X_centered, top_eigenvectors)
    
    return X_pca

LDA （线性判别分析）

LDA 是一种有监督的降维方法，目标是在降维的同时最大化类别之间的可分性。与 PCA 不同，LDA 利用类别标签来优化数据投影，使得不同类别的样本尽可能分开。

LDA的步骤

计算类内散度矩阵 $S_W$
计算类间散度矩阵 $S_B$
求解投影方向
选择前 $k$ 个特征向量组成投影矩阵 $W$

它利用类别信息来优化数据投影，使得不同类别的样本在低维空间中尽可能分开。通过最大化类间距离并最小化类内方差，LDA能够增强类别可分性，因此广泛应用于分类任务，如人脸识别、文本分类等，有助于提高模型的分类性能。

def lda(X:np.array, y:np.array, n_components:int) -> np.array:
    """
    使用 NumPy 实现 LDA 降维
    :param X: 样本特征矩阵 (n_samples, n_features)
    :param y: 样本类别标签 (n_samples,)
    :param n_components: 目标降维维度
    :return: 投影后的数据 X_lda
    """
    # 获取类别列表
    classes = np.unique(y)
    n_features = X.shape[1]

    # 计算总均值
    mean_total = np.mean(X, axis=0)

    # 计算类内散度矩阵 Sw 和 类间散度矩阵 Sb
    S_W = np.zeros((n_features, n_features))
    S_B = np.zeros((n_features, n_features))

    for c in classes:
        X_c = X[y == c]  # 取出类别 c 的所有样本
        mean_c = np.mean(X_c, axis=0)  # 计算类别 c 的均值
        S_W += np.cov(X_c, rowvar=False) * (X_c.shape[0] - 1)  # 类内散度矩阵
        mean_diff = (mean_c - mean_total).reshape(-1, 1)
        S_B += X_c.shape[0] * (mean_diff @ mean_diff.T)  # 类间散度矩阵

    # 计算 Sw^-1 * Sb 的特征值和特征向量
    eigvals, eigvecs = np.linalg.eig(np.linalg.inv(S_W) @ S_B)

    # 选取前 n_components 个特征向量（按特征值降序排序）
    sorted_indices = np.argsort(eigvals)[::-1]
    W = eigvecs[:, sorted_indices[:n_components]]

    # 投影数据到 LDA 低维空间
    X_lda = X @ W

    return X_lda, W

PCA vs. LDA

	PCA	LDA
类别信息	无监督，不考虑类别	有监督，利用类别信息
目标	最大化数据方差，保留最多信息	最大化类间距离，增强类别可分性
计算	计算协方差矩阵的特征值	计算类间/类内散度矩阵的特征值
应用场景	适用于降维、特征提取、数据压缩	适用于分类任务，提高模型性能