WikiDer > Анализ основных компонентов ядра

Kernel principal component analysis

В области многомерная статистика, анализ основных компонентов ядра (ядро PCA)^[1]является продолжением Анализ главных компонентов (PCA) с использованием методик методы ядра. Используя ядро, изначально линейные операции PCA выполняются в воспроизводящее ядро гильбертова пространства.

Справочная информация: Linear PCA

Напомним, что обычный PCA работает с данными с нулевым центром; это,

{displaystyle {frac {1} {N}} sum _ {i = 1} ^ {N} mathbf {x} _ {i} = mathbf {0}}

,

где ${displaystyle mathbf {x} _ {i}}$ вектор одного из ${displaystyle N}$ многомерные наблюдения. Он работает путем диагонализации ковариационная матрица,

{displaystyle C = {frac {1} {N}} sum _ {i = 1} ^ {N} mathbf {x} _ {i} mathbf {x} _ {i} ^ {op}}

другими словами, это дает собственное разложение ковариационной матрицы:

{displaystyle lambda mathbf {v} = Cmathbf {v}}

который можно переписать как

{displaystyle lambda mathbf {x} _ {i} ^ {op} mathbf {v} = mathbf {x} _ {i} ^ {op} Cmathbf {v} quad {extrm {for}} ~ i = 1, ldots, N}

.^[2]

Введение ядра в PCA

Чтобы понять полезность ядра PCA, особенно для кластеризации, обратите внимание, что, хотя N баллы, как правило, не могут быть линейно разделенный в ${displaystyle d$ размеры, они могут почти всегда быть линейно разделенными в ${displaystyle dgeq N}$ Габаритные размеры. То есть, учитывая N точки, ${displaystyle mathbf {x} _ {i}}$ , если мы сопоставим их с N-мерное пространство с

{displaystyle Phi (mathbf {x} _ {i})}

где

{displaystyle Phi: mathbb {R} ^ {d} o mathbb {R} ^ {N}}

,

легко построить гиперплоскость который делит точки на произвольные кластеры. Конечно, это ${displaystyle Phi}$ создает линейно независимые векторы, поэтому нет ковариации для выполнения собственного разложения явно как в линейном PCA.

Вместо этого в ядре PCA нетривиальная произвольная ${displaystyle Phi}$ функция "выбирается", которая никогда не вычисляется явно, что дает возможность использовать очень многомерные ${displaystyle Phi}$ если нам никогда не придется фактически оценивать данные в этом пространстве. Поскольку мы обычно стараемся избегать работы в ${displaystyle Phi}$ -пространство, которое мы будем называть «пространством функций», мы можем создать ядро N-by-N

{displaystyle K = k (mathbf {x}, mathbf {y}) = (Phi (mathbf {x}), Phi (mathbf {y})) = Phi (mathbf {x}) ^ {T} Phi (mathbf { y})}

который представляет собой внутреннее пространство продукта (см. Матрица грамиана) в иначе трудноразрешимом пространстве функций. Двойственная форма, возникающая при создании ядра, позволяет нам математически сформулировать версию PCA, в которой мы никогда не решаем собственные векторы и собственные значения ковариационной матрицы в ${displaystyle Phi (mathbf {x})}$ -пространство (см. Уловка ядра). N-элементов в каждом столбце K представляют собой скалярное произведение одной точки преобразованных данных по отношению ко всем преобразованным точкам (N точек). Некоторые известные ядра показаны в примере ниже.

Поскольку мы никогда не работаем непосредственно в пространстве функций, формулировка ядра PCA ограничена тем, что вычисляет не сами основные компоненты, а проекции наших данных на эти компоненты. Чтобы оценить проекцию из точки в пространстве признаков ${displaystyle Phi (mathbf {x})}$ на k-ю главную компоненту ${displaystyle V ^ {k}}$ (где верхний индекс k означает компонент k, а не степень k)

{displaystyle {mathbf {V} ^ {k}} ^ {T} Phi (mathbf {x}) = left (sum _ {i = 1} ^ {N} mathbf {a_ {i}} ^ {k} Phi ( mathbf {x_ {i}}) ight) ^ {T} Phi (mathbf {x})}

Отметим, что ${displaystyle Phi (mathbf {x_ {i}}) ^ {T} Phi (mathbf {x})}$ обозначает скалярное произведение, которое является просто элементами ядра ${displaystyle K}$ . Кажется, осталось только рассчитать и нормализовать ${displaystyle mathbf {a_ {i}} ^ {k}}$ , что можно сделать, решив уравнение на собственный вектор

{displaystyle Nlambda mathbf {a} = Kmathbf {a}}

где N - количество точек данных в наборе, а ${displaystyle lambda}$ и ${displaystyle mathbf {a}}$ являются собственными значениями и собственными векторами K. Тогда для нормировки собственных векторов ${displaystyle mathbf {a} ^ {k}}$ s, мы требуем, чтобы

{displaystyle 1 = (mathbf {V} ^ {k}) ^ {T} mathbf {V} ^ {k}}

Необходимо учитывать тот факт, что независимо от того, ${displaystyle x}$ имеет нулевое среднее значение в исходном пространстве, не гарантируется, что он будет центрирован в пространстве функций (которое мы никогда не вычисляем явно). Поскольку для проведения эффективного анализа главных компонент требуются центрированные данные, мыцентрализовать'K стать ${displaystyle K '}$

{displaystyle K '= K-mathbf {1_ {N}} K-Kmathbf {1_ {N}} + mathbf {1_ {N}} Kmathbf {1_ {N}}}

где ${displaystyle mathbf {1_ {N}}}$ обозначает матрицу размером N на N, для которой каждый элемент принимает значение ${displaystyle 1 / N}$ . Мы используем ${displaystyle K '}$ для выполнения описанного выше алгоритма ядра PCA.

Здесь следует проиллюстрировать одно предостережение относительно ядра PCA. В линейном PCA мы можем использовать собственные значения для ранжирования собственных векторов в зависимости от того, какая часть вариации данных улавливается каждым главным компонентом. Это полезно для уменьшения размерности данных, а также может применяться к KPCA. Однако на практике бывают случаи, когда все варианты данных совпадают. Обычно это вызвано неправильным выбором масштаба ядра.

Большие наборы данных

На практике большой набор данных приводит к большому K, и сохранение K может стать проблемой. Один из способов справиться с этим - выполнить кластеризацию набора данных и заполнить ядро средствами этих кластеров. Поскольку даже этот метод может дать относительно большое значение K, обычно вычисляются только верхние собственные значения P, и таким образом вычисляются собственные векторы собственных значений.

пример

Точки ввода до ядра PCA

Рассмотрим три концентрических облака точек (показаны); мы хотим использовать ядро PCA для идентификации этих групп. Цвет точек не представляет информацию, используемую в алгоритме, а только показывает, как преобразование перемещает точки данных.

Сначала рассмотрим ядро

{displaystyle k ({oldsymbol {x}}, {oldsymbol {y}}) = ({oldsymbol {x}} ^ {mathrm {T}} {oldsymbol {y}} + 1) ^ {2}}

Применение этого к ядру PCA дает следующее изображение.

Вывод после ядра PCA с

{displaystyle k ({oldsymbol {x}}, {oldsymbol {y}}) = ({oldsymbol {x}} ^ {mathrm {T}} {oldsymbol {y}} + 1) ^ {2}}

. Эти три группы можно различить только по первому компоненту.

Теперь рассмотрим гауссовское ядро:

{displaystyle k ({oldsymbol {x}}, {oldsymbol {y}}) = e ^ {frac {- || {oldsymbol {x}} - {oldsymbol {y}} || ^ {2}} {2sigma ^ {2}}},}

То есть это ядро является мерой близости, равной 1, когда точки совпадают, и равной 0 на бесконечности.

Вывод после ядра PCA с Гауссовский ядро.

Обратите внимание, в частности, что первого главного компонента достаточно, чтобы различать три разные группы, что невозможно при использовании только линейного PCA, поскольку линейный PCA работает только в данном (в данном случае двумерном) пространстве, в котором эти концентрические облака точек находятся линейно не разделимы.

Приложения

Было продемонстрировано, что Kernel PCA полезен для обнаружения новинок^[3] и уменьшение шума изображения.^[4]

Смотрите также

использованная литература

^ Шёлкопф, Бернхард (1998). «Нелинейный компонентный анализ как проблема собственных значений ядра». Нейронные вычисления. 10 (5): 1299–1319. CiteSeerX 10.1.1.100.3636. Дои:10.1162/089976698300017467. S2CID 6674407.
^ Нелинейный компонентный анализ как проблема собственных значений ядра (технический отчет)
^ Хоффманн, Хейко (2007). «Ядро PCA для обнаружения новинок». Распознавание образов. 40 (3): 863–874. Дои:10.1016 / j.patcog.2006.07.009.
^ Ядро PCA и снижение шума в пространствах функций. НИПС, 1999 г.

[1] Шёлкопф, Бернхард (1998). «Нелинейный компонентный анализ как проблема собственных значений ядра». Нейронные вычисления. 10 (5): 1299–1319. CiteSeerX 10.1.1.100.3636. Дои:10.1162/089976698300017467. S2CID 6674407.

[2] Нелинейный компонентный анализ как проблема собственных значений ядра (технический отчет)

[3] Хоффманн, Хейко (2007). «Ядро PCA для обнаружения новинок». Распознавание образов. 40 (3): 863–874. Дои:10.1016 / j.patcog.2006.07.009.

[4] Ядро PCA и снижение шума в пространствах функций. НИПС, 1999 г.

[1]

[2]

[3]

[4]

Navigation