机器学习实操 第一部分 机器学习基础 第8章 降维技术

机器学习实操 第一部分 机器学习基础 第8章 降维技术

内容概要

第8章探讨了降维技术，这些技术在处理高维数据时至关重要。高维数据不仅会使训练过程变得极其缓慢，还会增加找到良好解决方案的难度，这就是所谓的维度灾难问题。幸运的是，在实际问题中，通常可以通过降维技术显著减少特征数量，将难以处理的问题转化为可处理的问题。本章详细介绍了降维的主要方法（投影和流形学习），并深入探讨了三种流行的降维技术：PCA（主成分分析）、随机投影和局部线性嵌入（LLE）。通过这些技术，读者将了解如何应对维度灾难，并提升模型的训练效率和性能。

主要内容

1. 维度灾难

   • 定义：高维空间中数据的行为与低维空间截然不同，导致训练实例稀疏分布，增加过拟合风险。
   • 影响：高维数据需要指数级增长的训练实例来保持相同的密度，这在实际中是不可行的。

2. 降维的主要方法

   • 投影：通过将数据投影到低维子空间来减少维度。适用于数据在低维子空间中分布的情况。
   • 流形学习：通过建模数据所在的低维流形结构来减少维度。适用于数据在高维空间中形成低维流形的情况。

3. PCA（主成分分析）

   • 原理：识别数据方差最大的方向（主成分），并将数据投影到这些方向上。
   • 步骤：计算主成分，选择保留方差最大的方向，投影数据。
   • 应用：用于数据压缩、可视化和预处理。

4. 随机投影

   • 原理：通过随机线性投影将数据映射到低维空间，同时保持数据间的距离关系。
   • 优点：简单、快速、内存高效，适用于高维数据。

5. 局部线性嵌入（LLE）

   • 原理：通过保留数据局部线性关系来展开扭曲的流形结构。
   • 步骤：识别每个实例的最近邻，构建权重矩阵，找到低维表示以保留局部关系。
   • 应用：适用于非线性数据的降维。

6. 其他降维技术

   • MDS（多维缩放）：保留实例间的距离。
   • Isomap：保留测地线距离。
   • t-SNE：用于可视化，强调相似实例的聚集。
   • LDA（线性判别分析）：用于分类任务的降维。

关键代码和算法

8.1 PCA降维

from sklearn.decomposition import PCA
from sklearn.datasets import load_iris# 加载数据
iris = load_iris()
X = iris.data
y = iris.target# 应用PCA降维到2维
pca = PCA(n_components=2)
X_reduced = pca.fit_transform(X)# 输出方差解释比例
print("Explained variance ratio:", pca.explained_variance_ratio_)# 可视化降维后的数据
import matplotlib.pyplot as plt
plt.scatter(X_reduced[:, 0], X_reduced[:, 1], c=y)
plt.xlabel('PC1')
plt.ylabel('PC2')
plt.show()

8.2 随机投影降维

from sklearn.random_projection import GaussianRandomProjection
from sklearn.datasets import fetch_openml# 加载MNIST数据
mnist = fetch_openml('mnist_784', as_frame=False)
X_train, y_train = mnist.data[:60_000], mnist.target[:60_000]# 应用随机投影降维
gaussian_rnd_proj = GaussianRandomProjection(eps=0.1, random_state=42)
X_reduced = gaussian_rnd_proj.fit_transform(X_train)# 输出降维后的形状
print("Reduced shape:", X_reduced.shape)

8.3 LLE降维

from sklearn.manifold import LocallyLinearEmbedding
from sklearn.datasets import make_swiss_roll# 生成Swiss roll数据
X_swiss, t = make_swiss_roll(n_samples=1000, noise=0.2, random_state=42)# 应用LLE降维
lle = LocallyLinearEmbedding(n_components=2, n_neighbors=10, random_state=42)
X_unrolled = lle.fit_transform(X_swiss)# 可视化降维后的数据
plt.scatter(X_unrolled[:, 0], X_unrolled[:, 1], c=t)
plt.xlabel('LLE1')
plt.ylabel('LLE2')
plt.show()

精彩语录

1. 中文：降维技术不仅加快了训练速度，降低了过拟合风险，还使得数据可视化成为可能。
   英文原文：Dimensionality reduction not only speeds up training and reduces the risk of overfitting but also makes data visualization possible.
   解释：强调了降维技术的三大优势。

2. 中文：PCA通过识别数据方差最大的方向来选择主成分。
   英文原文：PCA identifies the directions of maximum variance in the data to select principal components.
   解释：介绍了PCA的核心思想。

3. 中文：随机投影利用随机线性投影来保持数据间的距离关系。
   英文原文：Random projection uses random linear projections to preserve the distance relationships between data points.
   解释：描述了随机投影的工作原理。

4. 中文：LLE通过保留数据的局部线性关系来展开流形。
   英文原文：LLE preserves local linear relationships to unroll the manifold.
   解释：介绍了LLE的基本原理。

5. 中文：t-SNE是一种强大的可视化工具，能够将高维数据映射到二维或三维空间。
   英文原文：t-SNE is a powerful tool for visualizing high-dimensional data by reducing it to two or three dimensions.
   解释：指出了t-SNE的适用场景。

总结

通过本章的学习，读者将掌握降维技术的核心概念和应用方法。这些内容包括维度灾难的原理、降维的主要方法（投影和流形学习），以及PCA、随机投影和LLE等具体技术。降维技术不仅能够提升模型的训练效率，还能帮助发现数据中的隐藏模式，提高模型的性能和可解释性。这些技术在处理高维数据时尤为重要，是机器学习中的关键工具。