其实早该整理一下PCA了，怎奈一直没有时间，可能是自己对时间没有把握好吧，下面进入正题。

降维的概念

所谓降维，就是降低数据的维数。在机器学习中尤其常见，之前做过对一幅图片提取小波特征，对于一幅大小为800*600的图片，如果每个点提取五个尺度、八个方向的特征，那么每一个像素点提取40个特征，那么一副图片的话就是40*800*600=19200000个特征。也就是我们用一个19200000的向量描述一幅图片。如果有m幅图片，那么特征为m*19200000的大小。显然这个维数太大了，所以需要降维。

形式化的描述：假设数据矩阵为Xm,n（这个矩阵可能是feature矩阵，也可能是其他矩阵）。m代表数据的大小，n代表维数，通常n非常大。降维的目的是我们希望找到一个矩阵Y=XP，使得Y满足以下两个条件：

(a) Y的维度小于X的维度（这样就起到了降维的目的）。

(b) Y的各个维度之间的差异越大越好（差异越大，表示包含的信息越多，对描述数据越有效）；

条件(a)比较容易满足，我们只需要P_n,t(t<m)，那么得到的Y就是Y_m,t显然起到了降维的目的。因此我们的重点是找到P满足(b)。

为此，我们首先给出差异性度量的准则-方差和协方差。

方差和协方差

对于数据矩阵Xm,n，它的第 j 维数据的差异性可以用方差来表示：

对于数据Xm,n，我们希望的是它的所有的维与维之间的差异性越大越好，维p与维q之间的差异性可以用协方差表示：

这样，数据Xm,n的各个维度的差异性可以用协方差矩阵C表示

显然，协方差矩阵是一个实对阵矩阵。通过上面的式子计算协方差矩阵还是比较麻烦的,我们直接在矩阵上操作，对矩阵X进行中心化

那么协方差矩阵可以通过下式得到

可见协方差矩阵计算起来还是挺简单的。

有了协方差矩阵的概念以后，我们继续前面的讨论：前面提到，我们需要一个这样的Y=XP（中心化的），它的各个维度之间的差异越大越好，也就是Y的协方差矩阵D的不同维度之间的协方差越小越好，形式化的表述为

到了这一步就比较明了了。还记得我们需要一个什么样的D吗，这个D最好是一个对角阵，使得不在对角线上的元素均为0。问题转化为实对称矩阵的对角化问题。根据矩阵论的知识我们知道，一个是对称矩阵必存在一个正交矩阵P使得P^TAP为对角阵。

原则上说讲到这里就算讲完了，但是这个定力还有一个限制，A是线性无关的（或者说A有n个不同的特征值），此时把A的特征值从大到小排序，每一个特征值对应一个特征向量，我们把这些特征向量从左到右排起来就得到了P。如果我们取前 t 个特征值，那么P的大小为n*t，通过Y=XP，我们得到的 Y 就是一个m*t的矩阵（X是m*n的矩阵），从而起到了降维的作用。当然，如果P的大小为n*n，那么没有起到降维的目的，但是将X映射到了一个新的空间。

从几何的角度来讲，其实线性变换就是空间映射，我们没有改变数据在空间中的位置，但是用了不同的基来表示他，关于基感觉这篇博客讲的很到位：

http://blog.codinglabs.org/articles/pca-tutorial.html

给出简单的matlab代码

m=10;n=100;t=50;X=100*rand([m,n]);%% original dataX=X-repmat(mean(X),m,1);%CentralizationC=(X‘*X)/m;[E,D]=eig(C);[dummy,order] = sort(diag(-D));E = E(:,order);%将特征向量按照特征值大小进行降序排列，每一列是一个特征向量D =D(:,order);Y=X*E(:,1:t); %Y

[降维] PCA 主成分分析