PCA模型加先验

      大清牛人曰:ML派坐落美利坚合众山中,百年来武学奇才辈出,隐然成江湖第一大名门正派,门内有三套入门武功,曰:图模型加圈,神经网加层,优化目标加正则。有童谣为证:熟练 ML 入门功,不会作文也会诌。今天就介绍一个 PCA 加先验的工作。

1. 主成分分析 ( PCA )

      PCA是常用的数据降唯模型。PCA 处理的数据中心点为零点 ,如果数据中心点不是零点,需要预处理数据 使得中心点为零点。PCA 降唯的思路:1)找到个相互正交并且使得投影方差最大的方向(专业一点的说法是找到一组使得方差最大的基),2) 将 k 维的数据投影到这m个方向上,得到m维数据。因为m会小于k,数据的维度下降了。这里最难理解的部分就是“使得投影方差最大”了。

      什么是“使得投影方差最大”?数据 方向的投影(标投影)为 ,其中方向为单位向量 。一堆数据 方向的投影为一堆数: 。“ 使得投影方差最大 ” 是使得这堆数的方差最大。当然啦,PCA 是找到 m 个方向,因此 “使得投影方差最大” 应该是使得 m 堆数的方差之和最大。

      为什么要“使得投影方差最大”呢?我们看下图,如果要把图中的数据压缩到一维,我们是选择右上方向还是左上方向呢?我们当然应该选右上方向! 因为右上方向上数据点散得比较开,压缩之后不同的数据点也好区分;而左上方向上数据点比较密集,不同数据压缩之后变相同的概率比较大。在中心点为零点的情况下,“ 散得开不开 ” 可以用这个方向上的投影方差刻画。方差比较大,“散得比较开”;方差比较少,“挤得密集”。因此我们需要“使得投影方差最大”。同时,这也是为什么 PCA 需要预处理数据使得中心点为零点。

                   PCA 图解

      让表示预处理之后的数据,其中每一行代表一条 k 维度的数据; 表示 PCA 要找的方向,其中每一列代表一个方向。数据在不同方向的投影方差和等于,也就是等于 。因此 PCA 需要求解如下优化问题。

\begin{eqnarray}
& max_{\pmb{C}}& Tr(\pmb{C}^T\pmb{Y}^T\pmb{Y}\pmb{C}) \nonumber \
& subject:& \pmb{C}^T\pmb{C} = \pmb{I} \nonumber \
\end{eqnarray}

      上面的优化问题利用了 。中心点为零点的情况下, 为不同变量的协方差矩阵。PCA 模型也可以基于协方差矩阵来解释,这里就不介绍了,有兴趣的同学可以看参考文献一。求解上面的优化问题蛮简单的,因为 前 m 个特征向量就是答案!!!一旦求得,压缩之后的数据为

2. 海量多标记分类

      介绍完 PCA 的基本知识,再来介绍一个 PCA 加先验的工作。这个工作都应用在海量多标记分类任务上。在多标记分类问题,一个实例同时拥有多个类别( 标记 )。比如一篇关注全球变暖的新闻报道既属于科学类别,也属于环境类别。有些任务中标记数量特别巨大,我们称之为海量多标记分类。比如多标记分类可以应用于标签推荐任务中,标签数量成千上万。用 表示已经去中心化之后的标记矩阵,其中每一行代表一个实例的标记情况;用 表示实例,其中每一行代表一个实例的特征。

      我们自然会想着把标记向量降维到一个低维向量,然后学习一个从实例到低维向量的模型,最后从低维向量还原出标记来(妈蛋!!什么叫自然!!!09 年才有人这么做好吧!!!)。作为最常用的数据降维方法,自然有人将PCA应用在这个问题上。但只用 PCA 是有缺陷的。PCA 只会考虑怎么有效地将标记向量压缩成低维向量,但低维向量是否适合学习就不管了。压缩得到的低维向量和实例特征有可能没有一点相关性,导致很难学习到一个从实例到低维向量的模型。这时候我们就应该往 PCA 模型加点“容易学习”的先验了。

      我们介绍的工作—— Chen et al (2012) 假设实例到低维向量的模型是线性模型,这时“容易学习”的先验知识可以表示为
\begin{eqnarray}
min||\pmb{X}\pmb{W} – \pmb{Y}\pmb{C}||_F^2 \nonumber \
\end{eqnarray}
根据最小二乘法,我们得

      将这个“容易学习”的先验加入PCA,我们能够得到

求解上面的优化问题就可以将“容易学习”的先验加入 PCA,使之适用于海量多标记分类任务。而且求解上面的问题也是蛮简单的,只要求解 前 m 个特征向量即可。

      欢迎关注我的公众号,每周日的更新就会有提醒哦~

weixin_saomiao

      

参考文献

http://www.cse.psu.edu/~rtc12/CSE586Spring2010/lectures/pcaLectureShort_6pp.pdf

Chen, Yao-Nan, and Hsuan-Tien Lin. “Feature-aware label space dimension reduction for multi-label classification.” Advances in Neural Information Processing Systems. 2012.

此条目发表在算法荟萃分类目录。将固定链接加入收藏夹。

发表评论

电子邮件地址不会被公开。