AVDAT Mnohorozměrné metody metody redukce dimenze

Transkript

1 AVDAT Mnohorozměrné metody metody redukce dimenze Josef Tvrdík Katedra informatiky Přírodovědecká fakulta Ostravská univerzita

2 Opakování vlastní čísla a vlastní vektory A je čtvercová matice řádu n. Pak vlastní číslo (charakteristické číslo, eigenvalue) je takový skalár λ, aby u 0 platilo: Au = λu, u je vlastní (charakteristický) vektor. Rovnost platí pro každý vektor cu, c 0. Normované vektory (s normou rovnou jedné), v = cu, c = 1/ u. Rovnost pak můžeme přepsat na tvar (A Iλ)v = 0 Protože v 0, musí platit, že determinant matice v závorkách A Iλ = 0 Tento determinant je polynom n-tého stupně, řešení je λ 1, λ 2,, λ n a každému vlastnímu číslu odpovídá vlastní vektor v i.

3 Opakování vlastní čísla a vlastní vektory Když A je symetrická matice, pak všechna vlastní čísla jsou reálná a vlastní vektory jsou ortogonální. v T i v i = 1 v T i v i = 0 i = 1, 2,, n i j Když vlastní vektory uspořádáme do matice V = [v 1, v 2,, v n ], pak V je ortogonální matice, tj. platí V T = V 1 a V T V = I.

4 Opakování vlastní čísla a vlastní vektory Matici A můžeme diagonalizovat: λ V T 0 λ 2 0 AV = L = λ n Pak stopa matice A je rovna součtu jejích vlastních čísel, Tr(A) = n i=1 λ i a determinant matice A je roven součinu jejích vlastních čísel, A = λ 1 λ 2 λ n.

5 Analýza hlavních komponent Snaží se vysvětlit celkový rozptyl vektoru náhodných veličin, resp. jeho podstatnou část pomocí méně veličin. x = (X 1, X 2,..., X p ) T náhodný vektor V = [cov(x i, X j )] = [σ ij ], i, j = 1, 2,..., p kovarianční matice Kovarianční matice V typu (p p) je symetrická (vlastní čísla jsou reálná) a pozitivně semidefinitní, tj. y T Vy 0 pro jakýkoliv vektor y 0 všechna vlastní čísla jsou nezáporná.

6 PCA Vlastní čísla můžeme uspořádat: Matici V můžeme napsat jako λ 1 λ 2... λ p 0 V = UΛU T, UU T = I, (1) kde Λ = diag(λ 1,..., λ p ) a k tý sloupec matice U je vlastní vektor v k matice V, který přísluší vlastnímu číslu λ k a pro který platí v T k v k = 1. Tedy v k jsou ortonormální vlastní vektory kovarianční matice V, platí Vv k = λ k v k V = λ 1 v 1 v T 1 + λ 2v 2 v T λ pv p v T p I = v 1 v T 1 + v 2v T v pv T p

7 PCA Vektory v 1, v 2,..., v p tvoří bázi prostoru R p, takže libovolný vektor y R p lze vyjádřit jako y = c 1 v 1 + c 2 v c p v p Platí pro každý vektor y R p jednotkové délky (y T y = 1), že kvadratická forma y T Vy λ 1, při čemž rovnost platí pro c = v 1, tj. pro první vlastní vektor. Celková variabilita náhodného vektoru x = (X 1, X 2,..., X p ) T je součet diagonálních prvků kovarianční matice (rozptylů jednotlivých náhodných veličin): σ 2 = var(x 1 ) + var(x 2 ) var(x p )

8 PCA Hledáme novou náhodnou veličinu, která vznikne lineární transformací vektoru x = (X 1, X 2,..., X p ) T, tj. vlastně hledáme c R p, c T c = 1, aby náhodná veličina měla co největší rozptyl. Tím tato nová veličina vyčerpá co největší část celkové variability, tzn. její rozptyl je roven λ 1. Tedy c = v 1. Náhodnou veličinu Y 1 = v T 1 x nazýváme první hlavní komponentou.

9 PCA Pak hledáme další náhodnou veličinu, tj. další c R p, c T c = 1, aby náhodná veličina c T x byla nekorelovaná s Y 1 = v T 1 x. Tomu vyhovuje c = v 2, takže druhá hlavní komponenta je Y 2 = v T 2 x a její rozptyl je var(y 2 ) = var(v T 2 x) = λ 2. Podobně i pro třetí a další hlavní komponenty. Celková variabilita σ 2 = var(x 1 ) + var(x 2 ) var(x p ) = = var(y 1 ) + var(y 2 ) var(y p ) = Relativní podíl celkové variability vysvětlovaný i-tou hlavní komponentou je λ i /σ 2. Prvních k hlavních komponent vysvětluje k i=1 λ i/σ 2 z celkové variability. p i=1 λ i

10 PCA Korelační matice je kovarianční matice standardizovaných veličin. Pak celková variabilita je rovna počtu veličin, σ 2 = p λ i = p i=1

11 PCA Možnosti analýzy hlavních komponent ukážeme na příkladu EMPLOY.XLS. Vycházíme z výběrové korelační matice. Principal Components Report Individual Cumulative No. Eigenvalue Percent Percent Scree Plot Vidíme, že tři vlastní čísla jsou větší než 1, čtvrté téměř rovno jedné. První dvě hlavní komponenty vysvětlují 62 % z celkové variability, první čtyři už 85 % celkové variability.

12 PCA První čtyři vlastní vektory jsou v následující tabulce: Eigenvectors Variables Factor1 Factor2 Factor3 Factor4 AGR MIN MAN PS CON SER FIN SPS TC

13 PCA

14 Faktorová analýza Faktorová analýza je jedna z metod redukce dimenze úlohy. Snaží se vysvětlit kovarianční strukturu (korelační matici) vektoru náhodných veličin, pomocí méně tzv. faktorů, tj. jakýchsi skrytých veličin, které nemůžeme nebo neumíme přímo měřit.

15 Faktorová analýza Naměřená data jsou matice X typu n p (n objektů, p veličin). Standardizovaná matice dat je matice Z opět typu n p, kde z ij = x ij x j s j x j, s j jsou výběrový průměr a směrodatná odchylka j-té veličiny. Model faktorové analýzy můžeme pak zapsat z ij = a j1 f i1 + a j2 f i a jm f im + e ij, m < p tj. naměřenou hodnotu j-té veličiny na i-tém objektu vysvětlujeme jako vážený součet m faktorů a nějaké složky, která těmito faktory vysvětlit nelze.

16 Faktorová analýza Zavedeme následující matice: A F E je typu (p m), má prvky a jk, označují se jako faktorové zátěže (sycení, saturace, loadings) je typu (n m), má prvky f ik, říká se jim faktorové skóry je typu (n p), má prvky e ij, jsou to rezidua, tj. to z hodnot z ij, co nemůžeme vysvětlit pomocí faktorů Maticově pak můžeme model faktorové analýzy zapsat takto: Z = FA T + E

17 Faktorová analýza Předpokládejme, že faktory jsou ortonormální (nekorelované, jednotkové délky), tzn. F T F = I. Označme U = E T E. U je diagonální matice typu p p, tedy U = diag(u 1, u 2,..., u p ), kde u j = n i=1 e2 ij, tj. variabilita j-té veličiny, kterou nelze vysvětlit faktory, tzv. specificita. Pak m h j = 1 u j = k=1 je tzv. komunalita j-té veličiny, tj. variabilita vysvětlitelná faktory. Korelační matici můžeme vyjádřit jako R = AA T + U Matice AA T vysvětluje korelační matici až na diagonální prvky, kde místo jedniček jsou komunality. a 2 jk

18 Faktorová analýza Faktorová analýza hledá model, aby příspěvek specifických faktorů (u j ) byl co nejmenší faktorové zátěže byly v absolutní hodnotě co nejbližší jedné nebo nule počet faktorů byl co nejmenší (podstatně menší než počet veličin) Tyto požadavky jsou ve vzájemném rozporu a umění faktorové analýzy spočívá v nalezení vhodného a přijatelného kompromisu.

19 Faktorová analýza extrakce faktorů - stanovit jejich počet, např. z vlastních čísel korelační matice problém komunalit R 2 j h j 1, kde R 2 j je koeficient mnohonásobné korelace (j-tá veličina na ostatních) rotace faktorů tj. nalezení jednoduché struktury, aby faktorové zátěže v absolutní hodnotě byly co nejbližší jedné nebo nule Ortogonální rotace znamená najít takovou transformaci matice A na B = AT, aby B splňovalo požadavek jednoduché struktury, T je ortogonální matice, tj. T T T = I, takže AA T = BB T.

20 Faktorová analýza Rotace faktorů VARIMAX, založená na maximalizaci výrazu 1 p m j=1 i=1 p (aij 2 a 2 j )2, kde a 2 j = 1 p p i=1 a2 ij, tj. průměr čtverců zátěží pro j-tý faktor. Po rotaci můžeme nahlédnout, která veličina patří kterému faktoru (faktorové zátěže v absolutní hodnotě blízké jedné), případně faktorové zátěže jednotlivých veličin vynést do grafů pro dvojice faktorů. Lze pak spočítat i faktorové skóry a na grafech faktorových skórů hledat, zda zobrazené objekty nevytvářejí nějaké shluky signalizující možný rozklad pozorovaných objektů do dvou či více podskupin.

21 Faktorová analýza Příklad Původní data byla výsledky dosažené ve výběru 220 chlapců v šesti předmětech - galštině, angličtině, dějepisu, aritmetice, algebře a geometrii. Máme výběrovou korelační matici (dolní trojúhelník, předměty jsou ve výše uvedeném pořadí):

22 Faktorová analýza Příklad Abychom si uvědomili rozdíly mezi analýzou hlavních komponent a faktorovou analýzou, uvádíme nejdříve stručné výsledky analýzy hlavních komponent, která vysvětluje celkový rozptyl, tedy hlavní diagonálu korelační matice. Principal Components Report Individual Cumulative No. Eigenvalue Percent Percent Scree Plot

23 Faktorová analýza Příklad Dvě vlastní čísla jsou větší než jedna, pro faktorovou analýzu tedy zvolíme počet faktorů 2, rotaci varimax a dostaneme následující výsledky: Factor Analysis Report Eigenvalues after Varimax Rotation Individual Cumulative No. Eigenvalue Percent Percent Scree Plot

24 Faktorová analýza Příklad Absolutní hodnoty faktorových zátěží jsou znázorněny graficky: Bar Chart of Absolute Factor Loadings after Varimax Rotation Variables Factor1 Factor2 Gaelic English History Arithmetic Algebra Geometry Faktor 1 je sycen veličinami aritmetika, algebra a geometrie, faktor 2 veličinami galština, angličtina a dějepis.