从主座标分析(PCO)到kernel PCA

       PCA是一种经典的降维方法，相信大家都很熟悉PCA的原理了，PCO其实只是PCA换一种角度来做，都是在做奇异值分解。PCA做法：原始数据矩阵 , , 先做中心化处理得到 ，计算方差矩阵 ，然后计算  的最大  个特征值对应的特征向量，然后和原始特征相乘，即得到降维的结果。为了更清楚的显示它的本质，将这个过程表示成矩阵。

        将  中心化表示成矩阵的形式，  表示单位矩阵， 表示全1 的 维列向量： 

记    ,  我们称之为中心矩阵，它的本质就是对数据做中心化处理，即数据矩阵，减去均值矩阵。它有一个很好的性质就是,即它是等幂的，可以手动验证一下。那么我们终于可以得到方差矩阵理想的形式了。 ,希望大家没有晕。PCA其实就是在对 操作。好，重点来了，PCO马上就呼之欲出了，它就是，是是是真的是，对求特征值，然后就可以直接得到降维结果了，连和数据矩阵相乘都不需要。下面来证明这一点。

       假设 , 那么 ，即与 的特征值一样，特征向量之间存在一定的关系，后面的kernel pca还要要用到这个关系。我们把看作, 把看作。原来我们做pca时是求出  个特征向量之后，将其排成矩阵 , 然后  就是我们的结果。现在由于与的特征值之间存在一定的关系，所以如果 是 原来方差矩阵的特征值，那么的特征值就是，这说明直接对求特征值就得到了pca的结果，这样是不是就直接得到了结果，有没有很神奇呢？这里本质上就是对与做奇异值分解，奇异值是一样的。还没有结束，我们还需要对的特征值做归一化处理，这里不是归一化到1，我们记的特征值为 , 要让 ,   是对应的第  个特征值。我们再来总结一下PCO的做法:

        记 ,令  是  的第 个特征值，即  ,对其做归一化处理，，,那么就是在维空间的principal coordinates。

       注意上面矩阵中存在,是样本之间的内积，可以看作是一个线性核的核矩阵，是不是马上就感觉可以用强大的kernel方法呢，kernel函数本质上是某个高维空间的内积，如果我们将上面的数据矩阵内积用kernel矩阵代替，是不是就可以看作是在某个高维空间进行pca处理呢，因此kernel

pca 也呼之欲出了，鼓掌...。kernel方法只需要提供kernel就行了，并不需要直接用到低维空间特征在高维空间的表示。下面来介绍一波kernel pca。

       假设高维空间特征矩阵为,kernel 矩阵,注意这里只是假定高维空间矩阵,它的形式我们根本不需要知道。那么现在是对来做PCA，但是我们根本就不知道  是什么，因此方差矩阵没办法来求，但是，还记得前面PCO的做法吗，做不了，我们可以来做啊，而是已知的，就是kernel 矩阵,到这里，是不是就一下子光明起来了呢？

, 即对应特征值为的特征向量是,做归一化处理，  

                                                                

这就是pca降维时要用到的特征向量，当对一个高维空间特征  进行降维时，首先减去均值，，然后乘,

得到投影 ：，是 与中每一个特征的内积，可以利用核函数求出来，而就是kernel ,是已知的，因此整个结果也就可以求出来的，这就是kernel pca, 这个过程中尽管我们用到了  ，但我们不需要具体知道它们是什么，只需要一个核函数就行了，这样就等价于在一个高维空间做了pca降维。

       最后来一个总结，pca利用方差矩阵求得特征值，pco利用直接可以得到降维结果，因为它们的特征值相同，特征向量存在对应关系，而kpca是在变换后的高维特征空间进行pca,即需要求得的特征值，然而我们不知道 的具体形式，从而借助 来求特征值，做到最后，只需要核矩阵，就可以完成在高维空间的降维。