Analisis komponen utama dengan Python

Saya ingin menggunakan analisis komponen utama (PCA) untuk reduksi dimensi. Apakah numpy atau scipy sudah memilikinya, atau apakah saya harus menggulung sendiri menggunakan numpy.linalg.eigh?

Saya tidak hanya ingin menggunakan dekomposisi nilai tunggal (SVD) karena data masukan saya cukup berdimensi tinggi (~ 460 dimensi), jadi menurut saya SVD akan lebih lambat daripada menghitung vektor eigen dari matriks kovarian.

Saya berharap untuk menemukan implementasi yang sudah dibuat sebelumnya dan di-debug yang sudah membuat keputusan yang tepat tentang kapan harus menggunakan metode mana, dan yang mungkin melakukan pengoptimalan lain yang tidak saya ketahui.

Anda mungkin telah melihat MDP .

Saya belum sempat mengujinya sendiri, tetapi saya telah menandainya dengan tepat untuk fungsionalitas PCA.

Beberapa bulan kemudian, inilah PCA kelas kecil, dan gambarnya:

#!/usr/bin/env python
""" a small class for Principal Component Analysis
Usage:
    p = PCA( A, fraction=0.90 )
In:
    A: an array of e.g. 1000 observations x 20 variables, 1000 rows x 20 columns
    fraction: use principal components that account for e.g.
        90 % of the total variance

Out:
    p.U, p.d, p.Vt: from numpy.linalg.svd, A = U . d . Vt
    p.dinv: 1/d or 0, see NR
    p.eigen: the eigenvalues of A*A, in decreasing order (p.d**2).
        eigen[j] / eigen.sum() is variable j's fraction of the total variance;
        look at the first few eigen[] to see how many PCs get to 90 %, 95 % ...
    p.npc: number of principal components,
        e.g. 2 if the top 2 eigenvalues are >= `fraction` of the total.
        It's ok to change this; methods use the current value.

Methods:
    The methods of class PCA transform vectors or arrays of e.g.
    20 variables, 2 principal components and 1000 observations,
    using partial matrices U' d' Vt', parts of the full U d Vt:
    A ~ U' . d' . Vt' where e.g.
        U' is 1000 x 2
        d' is diag([ d0, d1 ]), the 2 largest singular values
        Vt' is 2 x 20.  Dropping the primes,

    d . Vt      2 principal vars = p.vars_pc( 20 vars )
    U           1000 obs = p.pc_obs( 2 principal vars )
    U . d . Vt  1000 obs, p.obs( 20 vars ) = pc_obs( vars_pc( vars ))
        fast approximate A . vars, using the `npc` principal components

    Ut              2 pcs = p.obs_pc( 1000 obs )
    V . dinv        20 vars = p.pc_vars( 2 principal vars )
    V . dinv . Ut   20 vars, p.vars( 1000 obs ) = pc_vars( obs_pc( obs )),
        fast approximate Ainverse . obs: vars that give ~ those obs.


Notes:
    PCA does not center or scale A; you usually want to first
        A -= A.mean(A, axis=0)
        A /= A.std(A, axis=0)
    with the little class Center or the like, below.

See also:
    http://en.wikipedia.org/wiki/Principal_component_analysis
    http://en.wikipedia.org/wiki/Singular_value_decomposition
    Press et al., Numerical Recipes (2 or 3 ed), SVD
    PCA micro-tutorial
    iris-pca .py .png

"""

from __future__ import division
import numpy as np
dot = np.dot
    # import bz.numpyutil as nu
    # dot = nu.pdot

__version__ = "2010-04-14 apr"
__author_email__ = "denis-bz-py at t-online dot de"

#...............................................................................
class PCA:
    def __init__( self, A, fraction=0.90 ):
        assert 0 <= fraction <= 1
            # A = U . diag(d) . Vt, O( m n^2 ), lapack_lite --
        self.U, self.d, self.Vt = np.linalg.svd( A, full_matrices=False )
        assert np.all( self.d[:-1] >= self.d[1:] )  # sorted
        self.eigen = self.d**2
        self.sumvariance = np.cumsum(self.eigen)
        self.sumvariance /= self.sumvariance[-1]
        self.npc = np.searchsorted( self.sumvariance, fraction ) + 1
        self.dinv = np.array([ 1/d if d > self.d[0] * 1e-6  else 0
                                for d in self.d ])

    def pc( self ):
        """ e.g. 1000 x 2 U[:, :npc] * d[:npc], to plot etc. """
        n = self.npc
        return self.U[:, :n] * self.d[:n]

    # These 1-line methods may not be worth the bother;
    # then use U d Vt directly --

    def vars_pc( self, x ):
        n = self.npc
        return self.d[:n] * dot( self.Vt[:n], x.T ).T  # 20 vars -> 2 principal

    def pc_vars( self, p ):
        n = self.npc
        return dot( self.Vt[:n].T, (self.dinv[:n] * p).T ) .T  # 2 PC -> 20 vars

    def pc_obs( self, p ):
        n = self.npc
        return dot( self.U[:, :n], p.T )  # 2 principal -> 1000 obs

    def obs_pc( self, obs ):
        n = self.npc
        return dot( self.U[:, :n].T, obs ) .T  # 1000 obs -> 2 principal

    def obs( self, x ):
        return self.pc_obs( self.vars_pc(x) )  # 20 vars -> 2 principal -> 1000 obs

    def vars( self, obs ):
        return self.pc_vars( self.obs_pc(obs) )  # 1000 obs -> 2 principal -> 20 vars


class Center:
    """ A -= A.mean() /= A.std(), inplace -- use A.copy() if need be
        uncenter(x) == original A . x
    """
        # mttiw
    def __init__( self, A, axis=0, scale=True, verbose=1 ):
        self.mean = A.mean(axis=axis)
        if verbose:
            print "Center -= A.mean:", self.mean
        A -= self.mean
        if scale:
            std = A.std(axis=axis)
            self.std = np.where( std, std, 1. )
            if verbose:
                print "Center /= A.std:", self.std
            A /= self.std
        else:
            self.std = np.ones( A.shape[-1] )
        self.A = A

    def uncenter( self, x ):
        return np.dot( self.A, x * self.std ) + np.dot( x, self.mean )


#...............................................................................
if __name__ == "__main__":
    import sys

    csv = "iris4.csv"  # wikipedia Iris_flower_data_set
        # 5.1,3.5,1.4,0.2  # ,Iris-setosa ...
    N = 1000
    K = 20
    fraction = .90
    seed = 1
    exec "\n".join( sys.argv[1:] )  # N= ...
    np.random.seed(seed)
    np.set_printoptions( 1, threshold=100, suppress=True )  # .1f
    try:
        A = np.genfromtxt( csv, delimiter="," )
        N, K = A.shape
    except IOError:
        A = np.random.normal( size=(N, K) )  # gen correlated ?

    print "csv: %s  N: %d  K: %d  fraction: %.2g" % (csv, N, K, fraction)
    Center(A)
    print "A:", A

    print "PCA ..." ,
    p = PCA( A, fraction=fraction )
    print "npc:", p.npc
    print "% variance:", p.sumvariance * 100

    print "Vt[0], weights that give PC 0:", p.Vt[0]
    print "A . Vt[0]:", dot( A, p.Vt[0] )
    print "pc:", p.pc()

    print "\nobs <-> pc <-> x: with fraction=1, diffs should be ~ 0"
    x = np.ones(K)
    # x = np.ones(( 3, K ))
    print "x:", x
    pc = p.vars_pc(x)  # d' Vt' x
    print "vars_pc(x):", pc
    print "back to ~ x:", p.pc_vars(pc)

    Ax = dot( A, x.T )
    pcx = p.obs(x)  # U' d' Vt' x
    print "Ax:", Ax
    print "A'x:", pcx
    print "max |Ax - A'x|: %.2g" % np.linalg.norm( Ax - pcx, np.inf )

    b = Ax  # ~ back to original x, Ainv A x
    back = p.vars(b)
    print "~ back again:", back
    print "max |back - x|: %.2g" % np.linalg.norm( back - x, np.inf )

# end pca.py

Penggunaan PCA numpy.linalg.svdsangat mudah. Berikut demo sederhana:

import numpy as np
import matplotlib.pyplot as plt
from scipy.misc import lena

# the underlying signal is a sinusoidally modulated image
img = lena()
t = np.arange(100)
time = np.sin(0.1*t)
real = time[:,np.newaxis,np.newaxis] * img[np.newaxis,...]

# we add some noise
noisy = real + np.random.randn(*real.shape)*255

# (observations, features) matrix
M = noisy.reshape(noisy.shape[0],-1)

# singular value decomposition factorises your data matrix such that:
# 
#   M = U*S*V.T     (where '*' is matrix multiplication)
# 
# * U and V are the singular matrices, containing orthogonal vectors of
#   unit length in their rows and columns respectively.
#
# * S is a diagonal matrix containing the singular values of M - these 
#   values squared divided by the number of observations will give the 
#   variance explained by each PC.
#
# * if M is considered to be an (observations, features) matrix, the PCs
#   themselves would correspond to the rows of S^(1/2)*V.T. if M is 
#   (features, observations) then the PCs would be the columns of
#   U*S^(1/2).
#
# * since U and V both contain orthonormal vectors, U*V.T is equivalent 
#   to a whitened version of M.

U, s, Vt = np.linalg.svd(M, full_matrices=False)
V = Vt.T

# PCs are already sorted by descending order 
# of the singular values (i.e. by the
# proportion of total variance they explain)

# if we use all of the PCs we can reconstruct the noisy signal perfectly
S = np.diag(s)
Mhat = np.dot(U, np.dot(S, V.T))
print "Using all PCs, MSE = %.6G" %(np.mean((M - Mhat)**2))

# if we use only the first 20 PCs the reconstruction is less accurate
Mhat2 = np.dot(U[:, :20], np.dot(S[:20, :20], V[:,:20].T))
print "Using first 20 PCs, MSE = %.6G" %(np.mean((M - Mhat2)**2))

fig, [ax1, ax2, ax3] = plt.subplots(1, 3)
ax1.imshow(img)
ax1.set_title('true image')
ax2.imshow(noisy.mean(0))
ax2.set_title('mean of noisy images')
ax3.imshow((s[0]**(1./2) * V[:,0]).reshape(img.shape))
ax3.set_title('first spatial PC')
plt.show()

Anda dapat menggunakan sklearn:

import sklearn.decomposition as deco
import numpy as np

x = (x - np.mean(x, 0)) / np.std(x, 0) # You need to normalize your data first
pca = deco.PCA(n_components) # n_components is the components number after reduction
x_r = pca.fit(x).transform(x)
print ('explained variance (first %d components): %.2f'%(n_components, sum(pca.explained_variance_ratio_)))

matplotlib.mlab memiliki implementasi PCA .

SVD harus bekerja dengan baik dengan 460 dimensi. Dibutuhkan sekitar 7 detik pada netbook Atom saya. Metode eig () membutuhkan lebih banyak waktu (sebagaimana mestinya, menggunakan lebih banyak operasi floating point) dan hampir selalu kurang akurat.

Jika Anda memiliki kurang dari 460 contoh maka yang ingin Anda lakukan adalah mendiagonalisasi matriks pencar (x - datamean) ^ T (x - mean), dengan asumsi titik data Anda adalah kolom, lalu mengalikan kiri dengan (x - datamean). Itu mungkin lebih cepat jika Anda memiliki lebih banyak dimensi daripada data.

Anda dapat dengan mudah "menggulung" sendiri menggunakan scipy.linalg(dengan asumsi kumpulan data yang dipusatkan sebelumnya data):

covmat = data.dot(data.T)
evs, evmat = scipy.linalg.eig(covmat)

Kemudian evsadalah nilai eigen Anda, dan evmatmatriks proyeksi Anda.

Jika Anda ingin mempertahankan ddimensi, gunakan nilai deigen pertama dan dvektor eigen pertama .

Mengingat scipy.linalgperkalian matriks yang memiliki dekomposisi dan numpy, apa lagi yang Anda butuhkan?

Saya baru saja selesai membaca buku Machine Learning: An Algorithmic Perspective . Semua contoh kode di buku itu ditulis oleh Python (dan hampir dengan Numpy). Potongan kode chatper10.2 Analisis Komponen Utama mungkin layak dibaca. Ini menggunakan numpy.linalg.eig.
Omong-omong, saya rasa SVD dapat menangani dimensi 460 * 460 dengan sangat baik. Saya telah menghitung 6500 * 6500 SVD dengan numpy / scipy.linalg.svd pada PC yang sangat tua: Pentium III 733mHz. Sejujurnya, skrip membutuhkan banyak memori (sekitar 1.xG) dan banyak waktu (sekitar 30 menit) untuk mendapatkan hasil SVD. Tapi saya pikir 460 * 460 pada PC modern tidak akan menjadi masalah besar kecuali jika Anda perlu melakukan SVD berkali-kali.

Anda tidak perlu Dekomposisi Nilai Singular (SVD) penuh karena ia menghitung semua nilai eigen dan vektor eigen dan dapat menjadi penghalang untuk matriks besar. scipy dan modul renggangnya menyediakan fungsi algrebra linier generik yang bekerja pada matriks renggang dan padat, di antaranya terdapat keluarga fungsi eig *:

http://docs.scipy.org/doc/scipy/reference/sparse.linalg.html#matrix-factorizations

Scikit-learn menyediakan implementasi Python PCA yang hanya mendukung matriks padat untuk saat ini.

Waktu:

In [1]: A = np.random.randn(1000, 1000)

In [2]: %timeit scipy.sparse.linalg.eigsh(A)
1 loops, best of 3: 802 ms per loop

In [3]: %timeit np.linalg.svd(A)
1 loops, best of 3: 5.91 s per loop

Berikut adalah implementasi lain dari modul PCA untuk python menggunakan numpy, scipy dan C-extension. Modul ini menjalankan PCA menggunakan algoritma SVD atau NIPALS (Nonlinear Iterative Partial Least Squares) yang diimplementasikan di C.

Jika Anda bekerja dengan vektor 3D, Anda dapat menerapkan SVD secara ringkas menggunakan toolbelt vg . Ini adalah lapisan tipis di atas numpy.

import numpy as np
import vg

vg.principal_components(data)

Ada juga alias yang nyaman jika Anda hanya menginginkan komponen utama pertama:

vg.major_axis(data)

Saya membuat perpustakaan ini pada startup terakhir saya, yang dimotivasi oleh penggunaan seperti ini: ide sederhana yang bertele-tele atau tidak jelas di NumPy.