पायथन में प्रमुख घटक विश्लेषण


112

मैं मुख्य घटक विश्लेषण (पीसीए) का उपयोग आयामीता में कमी के लिए करना चाहता हूं। क्या सुन्न या चीखना पहले से ही है, या क्या मुझे अपना उपयोग करके रोल करना होगा numpy.linalg.eigh?

मैं सिर्फ एकवचन मूल्य अपघटन (SVD) का उपयोग नहीं करना चाहता क्योंकि मेरे इनपुट डेटा काफी उच्च-आयामी (~ 460 आयाम) हैं, इसलिए मुझे लगता है कि SVD कोविर्सियस मैट्रिक्स के आइजनवेक्टरों की गणना करने की तुलना में धीमी होगी।

मैं एक प्रीमेच्योर, डिबगड इम्प्लीमेंट ढूंढने की उम्मीद कर रहा था जो पहले से ही तय करता है कि किस विधि का उपयोग कब करना है, और कौन सा अन्य अनुकूलन करता है जिसके बारे में मुझे जानकारी नहीं है।

जवाबों:


28

एमडीपी पर आपकी नज़र हो सकती है ।

मुझे स्वयं इसका परीक्षण करने का मौका नहीं मिला है, लेकिन मैंने इसे पीसीए कार्यक्षमता के लिए बिल्कुल बुकमार्क किया है।


8
2012 के बाद से एमडीपी को बनाए नहीं रखा गया है, सबसे अच्छा समाधान नहीं दिखता है।
मार्क गार्सिया

नवीनतम अद्यतन 09.03.2016 से है, लेकिन ध्यान दें कि ir केवल बग-फिक्स रिलीज़ है:Note that from this release MDP is in maintenance mode. 13 years after its first public release, MDP has reached full maturity and no new features are planned in the future.
गेब्रियल

65

महीनों बाद, यहाँ एक छोटा वर्ग PCA, और एक चित्र है:

#!/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

यहां छवि विवरण दर्ज करें


3
Fyinfo, वहाँ पर एक उत्कृष्ट बात है मजबूत पीसीए सी Caramanis, जनवरी 2011 से
Denis

क्या यह कोड उस छवि (Iris PCA) को आउटपुट करेगा? यदि नहीं, तो क्या आप एक वैकल्पिक समाधान पोस्ट कर सकते हैं जिसमें आउट वह छवि होगी। IM को इस कोड को c ++ में बदलने में कुछ कठिनाइयाँ हो रही हैं क्योंकि मैं अजगर में नया हूँ :)
Orvyl

44

पीसीए का उपयोग numpy.linalg.svdकरना सुपर आसान है। यहाँ एक सरल डेमो है:

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()

2
मुझे पता है कि मैं यहाँ थोड़ी देर से हूँ, लेकिन ओपी ने विशेष रूप से एक समाधान का अनुरोध किया जो विलक्षण मूल्य के अपघटन से बचा है
एलेक्स ए।

1
@ मुझे पता है कि, लेकिन मुझे विश्वास है कि एसवीडी अभी भी सही दृष्टिकोण है। यह ओपी की जरूरतों के लिए आसानी से पर्याप्त रूप से तेज़ होना चाहिए (262144 आयामों के साथ ऊपर दिए गए मेरे उदाहरण, एक सामान्य लैपटॉप पर केवल ~ 7.5 सेकंड लगते हैं), और यह इगेंडेकम्पोजीशन विधि की तुलना में बहुत अधिक संख्यात्मक रूप से स्थिर है (नीचे dwf की टिप्पणी देखें)। मैं यह भी ध्यान देता हूं कि स्वीकृत उत्तर SVD का भी उपयोग करता है!
एलिअम

मैं इस बात से असहमत नहीं हूं कि एसवीडी जाने का रास्ता है, मैं सिर्फ यह कह रहा था कि उत्तर प्रश्न को संबोधित नहीं करता है क्योंकि प्रश्न कहा गया है। यह एक अच्छा जवाब है, हालांकि, अच्छा काम है।
एलेक्स ए।

5
@ पर्याप्त मेला। मुझे लगता है कि यह एक्सवाई समस्या का एक और संस्करण है - ओपी ने कहा कि वह एसवीडी-आधारित समाधान नहीं चाहता था क्योंकि उसे लगा कि एसवीडी बहुत धीमा होगा, शायद अभी तक इसे आज़माए बिना। इस तरह के मामलों में मुझे व्यक्तिगत रूप से यह समझाने में अधिक मदद मिलती है कि आप प्रश्न को उसके मूल, संकीर्ण रूप में सही उत्तर देने के बजाय व्यापक समस्या से कैसे निपटेंगे।
अली_म

svdपहले से ही sअवरोही क्रम में छंटनी के रूप में, जहाँ तक प्रलेखन जाता है। (शायद 2012 में ऐसा नहीं था, लेकिन आज यह है)
एटिने ब्रुइन्स

34

आप sklearn का उपयोग कर सकते हैं:

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_)))

Upvoted क्योंकि यह मेरे लिए अच्छी तरह से काम करता है - मेरे पास 460 से अधिक आयाम हैं, और भले ही sklearn SVD का उपयोग करता है और गैर-SVD के लिए अनुरोध किया गया प्रश्न, मुझे लगता है कि 460 आयाम ठीक होने की संभावना है।
डैन स्टॉवेल

आप एक स्थिर मान (std = 0) के साथ कॉलम हटाना भी चाह सकते हैं। उसके लिए आपको उपयोग करना चाहिए: remove_cols = np.where (np.all (x == np.mean (x, 0), 0)) [0] और फिर x = np.delete (x, remove_cols, 1)
Noam १६:४५

31

5
matplotlib के PCA के लिए लिंक अपडेट किया गया है।
डेवलपर

3
PCA के matplotlib.mlab कार्यान्वयन SVD का उपयोग करता है।
अमन

3
यहां इसके कार्यों और उपयोग करने के तरीके का अधिक विस्तृत विवरण दिया गया है।
डोलन एंटेनुची

14

एसवीडी को 460 आयामों के साथ ठीक काम करना चाहिए। मेरी एटम नेटबुक पर लगभग 7 सेकंड लगते हैं। ईग () विधि में अधिक समय लगता है (जैसा कि यह चाहिए, यह अधिक फ्लोटिंग पॉइंट ऑपरेशंस का उपयोग करता है) और लगभग हमेशा कम सटीक होगा।

यदि आपके पास 460 से कम उदाहरण हैं, तो आप जो करना चाहते हैं, वह तितर बितर मैट्रिक्स (x - datamean) ^ T (x - माध्य) को विकर्ण कर रहा है, यह मानते हुए कि आपके डेटा पॉइंट्स कॉलम हैं, और फिर (x - datamean) द्वारा छोड़ दिया गया है। यह उस मामले में तेज हो सकता है जहां आपके पास डेटा से अधिक आयाम हैं।


जब आप डेटा से अधिक आयाम रखते हैं तो क्या आप इस ट्रिक का विस्तार से वर्णन कर सकते हैं?
मर्ग्लोम

1
मूल रूप से आप मानते हैं कि eigenvectors डेटा वैक्टर के रैखिक संयोजन हैं। सिरोविच (1987) देखें। "अशांति और सुसंगत संरचनाओं की गतिशीलता।"
dwf

11

आप अपने स्वयं के उपयोग से आसानी से "रोल" कर सकते हैं scipy.linalg(पूर्व-केंद्रित डेटासेट ग्रहण करते हुए data):

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

फिर evsआपके स्वदेशी हैं, और evmatआपका प्रक्षेपण मैट्रिक्स है।

यदि आप dआयाम रखना चाहते हैं , तो पहले deigenvalues ​​और पहले deigenvectors का उपयोग करें ।

यह देखते हुए कि scipy.linalgअपघटन और मैट्रिक्स गुणन को सुन्न करना है, आपको और क्या चाहिए?


cov मैट्रिक्स np.dot (data.T, data, out = covmat) है, जहां डेटा को मैट्रिक्स केंद्रित होना चाहिए।
मर्ग्लोम

2
आप कोविरियस मैट्रिक्स पर उपयोग करने के खतरों के लिए इस उत्तर पर @ dwf की टिप्पणी पर एक नज़र डालनी चाहिए eig()
एलेक्स ए।

8

मैं अभी-अभी मशीन लर्निंग: एन अल्गोरिथमिक पर्सपेक्टिव को पढ़ता हूं । पुस्तक में सभी कोड उदाहरण पायथन (और लगभग नेम्पी के साथ) द्वारा लिखे गए थे। Chatper10.2 का कोड स्निपेट प्रधान घटक विश्लेषण शायद पढ़ने लायक हो। यह numpy.linalg.eig का उपयोग करता है।
वैसे, मुझे लगता है कि एसवीडी 460 * 460 आयामों को बहुत अच्छी तरह से संभाल सकता है। मैंने एक बहुत पुराने पीसी पर numpy / scipy.linalg.svd के साथ 6500 * 6500 SVD की गणना की है: पेंटियम III 733mHz। ईमानदार होने के लिए, एसवीडी परिणाम प्राप्त करने के लिए स्क्रिप्ट को बहुत मेमोरी (लगभग 1.xG) और बहुत समय (लगभग 30 मिनट) की आवश्यकता होती है। लेकिन मुझे लगता है कि आधुनिक पीसी पर 460 * 460 एक बड़ी समस्या नहीं होगी जब तक कि यूवी को कई बार एसवीडी की आवश्यकता न हो।


28
जब आप बस svd () का उपयोग कर सकते हैं तो आपको कोविरियस मैट्रिक्स पर ईग () का उपयोग कभी नहीं करना चाहिए। आपके द्वारा उपयोग किए जा रहे कितने घटक और आपके डेटा मैट्रिक्स के आकार के आधार पर, पूर्व द्वारा शुरू की गई संख्यात्मक त्रुटि (यह अधिक अस्थायी बिंदु संचालन करता है) महत्वपूर्ण हो सकती है। उसी कारण से आपको कभी भी स्पष्ट रूप से आक्रमण के साथ एक मैट्रिक्स को पलटना नहीं चाहिए () यदि आप वास्तव में रुचि रखते हैं तो व्युत्क्रम बार एक वेक्टर या मैट्रिक्स है; आपको इसके बजाय समाधान () का उपयोग करना चाहिए।
dwf

5

आपको पूर्ण विलक्षण मूल्य अपघटन (SVD) की आवश्यकता नहीं है, यह सभी eigenvalues ​​और eigenvectors की गणना करता है और बड़े मेट्रिसेस के लिए निषेधात्मक हो सकता है। scipy और इसके विरल मॉड्यूल, स्पैर्स और सघन मेट्रिसेस दोनों पर काम करने वाले जेनेरिक रैखिक बीजगणित कार्य प्रदान करते हैं, जिसके बीच ईग * फ़ंक्शंस का परिवार है:

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

स्किकिट-लर्न एक पायथन पीसीए कार्यान्वयन प्रदान करता है जो केवल अब के लिए घने मैट्रेस का समर्थन करता है।

समय:

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

1
वास्तव में उचित तुलना नहीं है, क्योंकि आपको अभी भी सहसंयोजक मैट्रिक्स की गणना करने की आवश्यकता है। इसके अलावा यह शायद केवल बहुत बड़े मैट्रिसेस के लिए विरल लिनाल्ग सामान का उपयोग करने के लायक है, क्योंकि यह घने मैट्रिस से विरल मैट्रिस के निर्माण के लिए काफी धीमा प्रतीत होता है। उदाहरण के लिए, nonsparse matrices eigshकी तुलना में वास्तव में ~ 4x धीमा है eighscipy.sparse.linalg.svdsबनाम के लिए भी यही सच है numpy.linalg.svd। मैं हमेशा @Dwf द्वारा बताए गए कारणों के लिए eigenvalue के अपघटन पर SVD के साथ जाऊंगा, और शायद SVD के विरल संस्करण का उपयोग करता हूं अगर मैट्रिस वास्तव में बहुत बड़ा हो जाता है।
अलिउम

2
आपको घने मैट्रिस से विरल मैट्रिस की गणना करने की आवश्यकता नहीं है। Sparse.linalg मॉड्यूल में दिए गए एल्गोरिदम ऑपरेटर ऑब्जेक्ट के matvec विधि के माध्यम से केवल matrice वेक्टर गुणन ऑपरेशन पर निर्भर करते हैं। घने मैट्रिसेस के लिए, यह कुछ ऐसा है जैसे matvec = dot (A, x)। उसी कारण से, आपको सहसंयोजक मैट्रिक्स की गणना करने की आवश्यकता नहीं है, लेकिन केवल ए के लिए ऑपरेशन डॉट (एटी, डॉट (ए, एक्स)) प्रदान करने के लिए
निकोलस बारबे

आह, अब मैं देख रहा हूं कि विरल बनाम निरन्तर विधियों की सापेक्ष गति मैट्रिक्स के आकार पर निर्भर करती है। अगर मैं अपने उदाहरण का उपयोग जहां एक एक 1000 * 1000 मैट्रिक्स तो है eigshऔर svdsतेजी से कर रहे हैं eighऔर svd~ 3 का एक पहलू से है, लेकिन अगर एक छोटा होता है, का कहना है कि 100 * 100, तो eighऔर svdक्रमशः ~ 4 के कारकों और ~ 1.5 से तेज हैं । टी अभी भी विरल eigenvalue अपघटन पर विरल SVD का उपयोग करेगा।
अलिअम

2
वास्तव में, मुझे लगता है कि मैं बड़े मैट्रिसेस की ओर पक्षपाती हूं। मेरे लिए बड़े मैट्रिसेस 10⁶ * 10 1000 से 1000 * 1000 की तुलना में अधिक हैं। उन मामलों में, आप अक्सर सहसंयोजक मैट्रिसेस को स्टोर नहीं कर सकते ...
निकोलस बारबे

4

यहाँ एक पीसीए मॉड्यूल का एक और कार्यान्वयन है, जो कि खसखस, घिसी-पिटी और सी-एक्सटेंशन का उपयोग करते हुए अजगर के लिए है। मॉड्यूल पीसीए को एक SVD या NIPALS (Nonlinear Iterative Partial Least Squares) एल्गोरिथ्म का उपयोग करके करता है जिसे C में लागू किया गया है।


0

यदि आप 3D वैक्टर के साथ काम कर रहे हैं, तो आप टूलबेल का उपयोग करके SVD को स्पष्ट रूप से लागू कर सकते हैं वीजी । यह सुन्न के ऊपर एक हल्की परत है।

import numpy as np
import vg

vg.principal_components(data)

यदि आप केवल पहला मुख्य घटक चाहते हैं तो एक सुविधाजनक उपनाम भी है:

vg.major_axis(data)

मैंने अपने आखिरी स्टार्टअप में पुस्तकालय बनाया, जहां यह इस तरह से उपयोग से प्रेरित था: सरल विचार जो कि NumPy में वर्बोज़ या अपारदर्शी हैं।

हमारी साइट का प्रयोग करके, आप स्वीकार करते हैं कि आपने हमारी Cookie Policy और निजता नीति को पढ़ और समझा लिया है।
Licensed under cc by-sa 3.0 with attribution required.