剑客
关注科技互联网

[原]维度打击,机器学习中的降维算法:ISOMAP & MDS

降维是机器学习中很有意思的一部分,很多时候它是无监督的,能够更好地刻画数据,对模型效果提升也有帮助,同时在数据可视化中也有着举足轻重的作用。

一说到降维,大家第一反应总是PCA,基本上每一本讲机器学习的书都会提到PCA,而除此之外其实还有很多很有意思的降维算法,其中就包括isomap,以及isomap中用到的MDS。

ISOMAP是‘流形学习’中的一个经典算法,流形学习贡献了很多降维算法,其中一些与很多机器学习算法也有结合,但上学的时候还看了蛮多的机器学习的书,从来没听说过流形学习的概念,还是在最新的周志华版的《机器学习》里才看到,很有意思,记录分享一下。

流形学习

流形学习应该算是个大课题了,它的基本思想就是在高维空间中发现低维结构。比如这个图: [原]维度打击,机器学习中的降维算法:ISOMAP & MDS
这些点都处于一个三维空间里,但我们人一看就知道它像一块卷起来的布,图中圈出来的两个点更合理的距离是A中蓝色实线标注的距离,而不是两个点之间的欧式距离(A中蓝色虚线)。

此时如果你要用PCA降维的话,它 根本无法发现这样卷曲的结构 (因为PCA是典型的 线性降维 ,而图示的结构显然是非线性的),最后的降维结果就会一团乱麻,没法很好的反映点之间的关系。而流形学习在这样的场景就会有很好的效果。

我对流形学习本身也不太熟悉,还是直接说算法吧。

ISOMAP

在降维算法中,一种方式是提供点的坐标进行降维,如PCA;另一种方式是提供点之间的距离矩阵,ISOMAP中用到的MDS(Multidimensional Scaling)就是这样。
在计算距离的时候,最简单的方式自然是计算坐标之间的欧氏距离,但ISOMAP对此进行了改进,就像上面图示一样:

1.通过kNN(k-Nearest Neighbor)找到点的k个最近邻,将它们连接起来构造一张图。
2. 通过计算同中各点之间的最短路径,作为点之间的距离

i j

放入距离矩阵


D




3.


D

传给经典的MDS算法,得到降维后的结果。

ISOMAP本身的 核心就在构造点之间的距离 ,初看时不由得为其拍案叫绝,类似的思想在很多降维算法中都能看到,比如能将超高维数据进行降维可视化的t-SNE。
ISOMAP效果,可以看到选取的最短路径比较好地还原了期望的蓝色实线,用这个数据进行降维会使流形得以保持:
[原]维度打击,机器学习中的降维算法:ISOMAP & MDS
ISOMAP算法步骤可谓清晰明了,所以本文主要着重讲它中间用到的MDS算法,也是很有意思的。

经典MDS(Multidimensional Scaling)

如上文所述,MDS接收的输入是一个距离矩阵

D

,我们把一些点画在坐标系里:


[原]维度打击,机器学习中的降维算法:ISOMAP & MDS

如果只告诉一个人这些点之间的距离(假设是欧氏距离),他会丢失那些信息呢?


a. 我们对点做平移,点之间的距离是不变的。


b. 我们对点做旋转、翻转,点之间的距离是不变的。

所以想要从

D

还原到原始数据
是不可能的,因为只给了距离信息之后本身就丢掉了很多东西,不过不必担心,即使这样我们也可以对数据进行降维。

我们不妨假设:

是一个


n ×

的矩阵,n为样本数,q是原始的维度

计算一个很重要的矩阵


B




=         ( n × n ) = ( ) ( )         ( )

可以看到我们通过

做正交变换并不会影响


B

的值,而
正交变换刚好就是对数据做旋转、翻转操作的

所以如果我们想通过


B

反算出
,肯定是没法得到真正的
,
而是它的任意一种正交变换后的结果。

B中每个元素的值为:



b i j = k = 1 x i k x j k

计算距离矩阵


D

,其中每个元素值为:



= ( x i x j ) 2 = k = 1 ( x i k x j k ) 2 = k = 1 x 2 i k + x 2 j k 2 x i k x j k = b i i + b j j 2 b i j

/tag{dij_square}/label{dij_square}

这时候我们有的只有


D

,如果能通过


D

计算出


B

,再由


B

计算出
,不就达到效果了吗。

所以思路是:从D->B->X
此时我们要对X加一些限制,前面说过我们平移所有点是不会对距离矩阵造成影响的,所以我们就把 数据的中心点平移到原点 ,对X做如下限制(去中心化):



i = 1 n x i k = 0 , o r   a l l   k = 1..

所以有



j = 1 n b i j = j = 1 n k = 1 x i k x j k = k = 1 x i k j = 1 n x j k = 0

类似的



i = 1 n b i j = i = 1 n k = 1 x i k x j k = k = 1 x j k ( i = 1 n x i k ) = 0

可以看到即


B

的任意行(row)之和以及任意列(column)之和都为0了。

设T为

B

的trace,则有:



i = 1 n 2 i j = i = 1 n b i i + b j j 2 b i j = + n b j j + 0



j = 1 n 2 i j = j = 1 n b i i + b j j 2 b i j = n b i i + + 0



i = 1 n j = 1 n 2 i j = 2 n

得到B:根据公式
我们有:



b i j = 1 2 ( 2 i j b i i b j j )

而(根据前面算


n i = 1 2 i j

,


n j = 1 2 i j




n i = 1 n j = 1 2 i j

的公式可以得到)



b i i b j j 2 n = + 1 n j = 1 n 2 i j = + 1 n i = 1 n 2 i j = 1 n 2 i = 1 n j = 1 n 2 i j

所以



= 1 2 ( 2 i j b i i b j j ) = 1 2 ( 2 i j 1 n j = 1 n 2 i j 1 n i = 1 n 2 i j + 2 n ) = 1 2 ( 2 i j 1 n j = 1 n 2 i j 1 n i = 1 n 2 i j + 1 n 2 i = 1 n j = 1 n 2 i j ) = 1 2 ( 2 i j 2 i 2 j + 2 )

可以看到


2 i




D 2

行均值;


2 j

是列均值;


2

是矩阵的均值。

这样我们就可以通过矩阵

D

得到矩阵


B

因为B是对称的矩阵,所以可以通过特征分解得到:



B = Λ 1 = Λ

在最开始我们其实做了一个假设,


D

是由一个


n ×

的数据
生成的,如果事实是这样的,


D

会是一个对称实矩阵,此时得到的


B

刚好会有
个非0的特征值,也就是说


B

的秩等于
,如果我们想还原
,就选择前
个特征值和特征向量;如果想要达到降维的目的,就选择制定的


p

个(


p <

)。

此时我们选择前

p

个特征值和特征向量,(这一步和PCA里面很类似):



B = Λ ( n × p ) , Λ ( p × p )

所以有(


Λ

是特征值组成的对角矩阵):



B = Λ 1 2 Λ 1 2 =

因此



= Λ 1 2

如果选择


p =

的话,此时得到的




就是原数据去中心化并做了某种正交变换后的值了。

MDS的例子

举个例子:拿美国一些大城市之间的距离作为矩阵传进去,简单写一写代码:
[原]维度打击,机器学习中的降维算法:ISOMAP &amp; MDS

import numpy as np
import matplotlib.pyplot as plt

def mds(D,q):
    D = np.asarray(D)
    DSquare = D**2
    totalMean = np.mean(DSquare)
    columnMean = np.mean(DSquare, axis = 0)
    rowMean = np.mean(DSquare, axis = 1)
    B = np.zeros(DSquare.shape)
    for i in range(B.shape[0]):
        for j in range(B.shape[1]):
            B[i][j] = -0.5*(DSquare[i][j] - rowMean[i] - columnMean[j]+totalMean)
    eigVal,eigVec = np.linalg.eig(B)
    X = np.dot(eigVec[:,:q],np.sqrt(np.diag(eigVal[:q])))

    return X


D = [[0,587,1212,701,1936,604,748,2139,2182,543],
[587,0,920,940,1745,1188,713,1858,1737,597],
[1212,920,0,879,831,1726,1631,949,1021,1494],
[701,940,879,0,1374,968,1420,1645,1891,1220],
[1936,1745,831,1374,0,2339,2451,347,959,2300],
[604,1188,1726,968,2339,0,1092,2594,2734,923],
[748,713,1631,1420,2451,1092,0,2571,2408,205],
[2139,1858,949,1645,347,2594,2571,0,678,2442],
[2182,1737,1021,1891,959,2734,2408,678,0,2329],
[543,597,1494,1220,2300,923,205,2442,2329,0]]

label = ['Atlanta','Chicago','Denver','Houston','Los Angeles','Miami','New York','San Francisco','Seattle','Washington, DC']
X = mds(D,2)
plt.plot(X[:,0],X[:,1],'o')
for i in range(X.shape[0]):
    plt.text(X[i,0]+25,X[i,1]-15,label[i])
plt.show()

最后画出来的图中,各个城市的位置和真实世界中的相对位置都差不多:
[原]维度打击,机器学习中的降维算法:ISOMAP &amp; MDS
注意,这个例子中其实也有‘流形’在里面,因为我们的地球其实是一个三维,而城市间距离刻画的是在球面上的距离,所以最后如果你去看求出来的特征值,并不像前面说的那样只有q个非0的值。

reference

  1. 一个nthu的课程,除了pdf还有视频,本文绝大多数关于MDS的内容都是从这里整理的: http://101.96.10.65/www.stat.nthu.edu.tw/~swcheng/Teaching/stat5191/lecture/06_MDS.pdf
  2. 一个MDS的例子,用于数据可视化,例子的数据来源于这里。 http://www.benfrederickson.com/multidimensional-scaling/
  3. 周志华《机器学习》
分享到:更多 ()

评论 抢沙发

  • 昵称 (必填)
  • 邮箱 (必填)
  • 网址