공분산의미(ing)

공분산이란

다음은 일정한 평균과 분산을 가진 정규분포에서 미지의 값을 신뢰할 수 있는 구간과 평균, 표준편차의 관계를 나타내면 다음과 같습니다.

그림 1. 표준 정규분포 상에서 평균과 표준편차의 관계

위 그림에서 빨간 점선, 파란 점선, 녹색 점선은 분포의 전확률 중에서 누적확률 68,3%, 95.4%, 99.7%를 차지하는 경계를 나타내며 각 구간의 value(값)은 다음과 같습니다.
red 점선 : CDF=68.3%, $\mu \pm \sigma$
blue 점선 : CDF=95.4%, $\mu \pm 2\sigma$
green 점선 : CDF=99.7%, $\mu \pm 3\sigma$

위 그림의 python 코드는 다음과 같습니다.

plt.plot(x, rv.pdf(x), lw=2, label='pdf')
plt.xlabel("value")
plt.ylabel("Prob")
lineref=[mu, rv.ppf(0.683), rv.ppf(1-0.683), rv.ppf(0.954), rv.ppf(1-0.954), 
         rv.ppf(0.997), rv.ppf(1-0.997)]
cl=['black', 'red', 'red', 'blue', 'blue', 'green', 'green']

#plt.axvline(lineref[1], linestyle='--', color=cl[1])
for i in range(len(lineref)):
    plt.axvline(lineref[i], linestyle='--', color=cl[i])


plt.text(-1, 0.3, "mu+-sigma", color="red")
plt.text(-1, 0.2, "mu+-2*sigma",color="blue")
plt.text(-1, 0.05,"mu+-3*sigma", color="green")
plt.show()

위 데이터의 분산은 다음과 같이 계산됩니다.
${\sigma }^2=\frac{\sum _{i=1}^n(x_i-\mu {)}^2}{n-1}=E[(X-E(X))(X-E(X))]=\sigma (x,x)$

그러나 분산은 단지 데이터의 퍼짐정도를 나타냅니다.
다음 그래프는 두 데이터 그룹의 경향을 보입니다.

그림 2. 데이터 셋 x, y의 산점도 

x=np.linspace(-3, 3, 100)
y=x+np.random.randn(100)
plt.scatter(x, y)
plt.xlim(-5, 5)
plt.ylim(np.min(y)-2,np.max(y)+2)
plt.show()

위 데이터들에서 x축에 따른 분산은 $\sigma (x,x)$ 이며 y 축에 따른 분산은 $\sigma (y,y)$ 로 나타낼 수 있습니다. 그러나 이 분산 정도는 각각 하나의 축에 대한 데이터의 퍼짐정도만을 나타내는 것으로 위 x와 y를 대응시킨 상태에서의 퍼짐 정도를 나타내지는 못합니다. 그림 2의 경우는 x의 증가에 따른 y의 증가가 명확해 보입니다. 즉, 그 둘의 관계는 양의 상관성을 보입니다. 

다음은 x, y의 상관계수 행렬을 나타낸 것입니다. 

np.corrcoef(x, y)

Out[68]: 

array([[ 1.        ,  0.87420057],

       [ 0.87420057,  1.        ]])

위의 상관계수는 다음과 같이 계산됩니다. 

$\text{r}=\frac{\sum (x-\overline{x})(y-\overline{y})}{\sqrt{\sum (x-\overline{x}{)}^2\sum (y-\overline{y}{)}^2}}=\frac{\sigma (x,y)}{\sigma (x,x)\sigma (y,y)}$

위 식에서 분모의 경우는 x, y의 각 분산이며 분자는 공분산이 됩니다.  이 관계에서 즉, 변수 두개에서 계산할 수 있는 분산의 경우의 수는 4가지가 됩니다. 

$\sigma (x,x),\sigma (y,y),\sigma (x,y),\sigma (y,x)$

x가 증가하면 y가 증가하는 양의 상관성을 가진다면 그 역의 관계 역시 성립되므로 다음의 관계가 성립되지요.

$\sigma (x,y)=\sigma (y,x)$

다음과 같이 공분산 행렬을 생성할 수 있으며 항상 대각원소들 을 중심으로 대칭이되는 대칭행렬이 됩니다. 

$\mathrm{\Sigma }=\left[\begin{array}{rr}\sigma (x,x)& \sigma (x,y)\\ \sigma (y,x)& \sigma (y,y)\end{array}\right]$

이와 같이 그림 2와 같이 2차원의 공분산 행렬은  2$\times$2 공분산 행렬이 생성됩니다. 유사하게 3차원의 입체 그림으로 나타나는 경우는 3$\times$3 공분산 행렬이 생성되며 일반화하면 N 차원인 경우는 N$\times$N의 공분산 행렬이 생성됩니다. 

그림 2의 데이터에서 각 데이터의 분산과 공분산을 계산해 보면 다음과 같습니다. 

np.var(x, ddof=1)

Out[80]: 3.0915212733394553

np.var(y, ddof=1)

Out[81]: 4.4333637534151134

np.sum((x-np.mean(x))*(y-np.mean(y)))/(len(x)-1)

Out[77]: 3.2364126231653638

위의 값은 np.cov()를 사용하여 공분산 행렬을 생성할 수있습니다. 

Out[78]: 

array([[ 3.09152127,  3.23641262],

       [ 3.23641262,  4.43336375]])

다음 그림3은 각 두 데이터의 상관성에 따른 공분산의 변화를 보여줍니다. 

그림 3. 대응되는 두 데이터 간의 상관성에 따른 공분산의 변화 (그림의 legend는 공분한행렬)

y1=np.flip(y, 0)

y3=np.random.randn(100)/100

x1=np.random.randn(100)/100

plt.subplot(2,2,1)

plt.scatter(x, y)

plt.xlim(-5, 5)

plt.ylim(np.min(y)-2,np.max(y)+2)

plt.text(0.5, -5, np.round(np.cov(x, y), 2))

plt.subplot(2,2,2)

plt.scatter(x, y1)

plt.xlim(-5, 5)

plt.ylim(np.min(y)-2,np.max(y)+2)

plt.text(0.5, 2, np.round(np.cov(x, y1), 2))

plt.subplot(2,2,3)

plt.scatter(x, y3)

plt.xlim(-5, 5)

plt.ylim(np.min(y)-2,np.max(y)+2)

plt.text(0.5, -5, np.round(np.cov(x, y3), 2))

plt.subplot(2,2,4)

plt.scatter(x1, y)

plt.xlim(-5, 5)

plt.ylim(np.min(y)-2,np.max(y)+2)

plt.text(0.5, -5, np.round(np.cov(x1, y), 2))

결과적으로 분산은 각 데이터 셋의 퍼짐(spread)을 나타내고 공분산은 두 데이터 그룹간의 퍼짐뿐만 아니라 방향성(orientation)을 함께 나타낸다고 할 수 있습니다. 

공분산의 고유분해(eigendecomposition)

공분산 행렬이 위의 데이터들을 변형 시킬 선형적 연산에 의해 어떻게 해석될 수 있는가를 봅시다. (고유값, 고유벡터, 고유분해 참조)
공분산은 데이터들 사이의 퍼짐뿐만 아니라 방향을 나타낸다는 것은 공분산 행렬로 부터 가장 큰 퍼짐의 방향을 지시하는 벡터를 발견할 수 있으며 그 방향에서의 퍼짐의 강도는 동일한 방향의 분산과 같을 것입니다.
이 벡터를 $\overrightarrow{v}$로 정의한다면 이 벡터 위에 데이터들(D)을 투영시키면 ${\overrightarrow{v}}^{T}D$가 되며 그 투영된 데이터의 분산은 ${\overrightarrow{v}}^T\mathrm{\Sigma }\overrightarrow{v}$이 됩니다.
이 계산에서 가장 큰 분산의 방향을 지시하는 $\overrightarrow{v}$를 찾는 것이므로 투영된 데이터의 공분산 행렬 ${\overrightarrow{v}}^T\mathrm{\Sigma }\overrightarrow{v}$ 중에서 가능한 가장 큰 값을 갖는 원소를 선택해야 합니다. 표준화된 단위벡터인 $\overrightarrow{v}$에 관해 ${\overrightarrow{v}}^T\mathrm{\Sigma }\overrightarrow{v}$를 최대화 하는 것은 Rayleigh Quotient라 명명되는 것으로서 공식화할 수 있습니다. 이 최대화는 $\mathrm{\Sigma }$의 가장 큰 고유벡터와 같은 $\overrightarrow{v}$로 설정하는 것에 의해 얻어질 수 있습니다. 이 언급의 결과는 다음과 같습니다.
공분산 행렬의 가장 큰 고유벡터는 그 데이터의 가장 큰 방향을 지시하며 그 벡터의 크기는 대응되는 고유값과 같습니다. 두번째로 큰 고유벡터는 가장 큰 고유벡터에 항상 직교하고 그 데이터의 두번째로 큰 퍼짐의 방향을 지시합니다.

${\overrightarrow{v}}^T\mathrm{\Sigma }\overrightarrow{v}$으로 부터 $\overrightarrow{v}$을 계산하기 위해 다음식을 유도할 수 있습니다.
$\mathrm{\Sigma }\overrightarrow{v}=\lambda \overrightarrow{x}$
$\overrightarrow{v}$는 $\mathrm{\Sigma }$의 고유벡터이고 $\lambda$는 대응하는 고유값입니다.
그림 3의 각 데이터에 적용해 보면 각각의 고유값과 고유벡터는 다음과 같습니다.
np.linalg.eig(np.cov(x, y))
Out[246]:
(array([ 0.45716888,  6.63341568]), array([[-0.75727825, -0.65309238],
        [ 0.65309238, -0.75727825]]))
np.linalg.eig(np.cov(x, y1))
Out[247]:
(array([ 0.41454293,  7.00670062]), array([[-0.77065861,  0.63724823],
        [-0.63724823, -0.77065861]]))
np.linalg.eig(np.cov(x, y3))
Out[248]:
(array([  3.09152129e+00,   9.33124710e-05]),
 array([[  9.99999998e-01,   6.66444911e-05],
        [ -6.66444911e-05,   9.99999998e-01]]))
np.linalg.eig(np.cov(x1, y))
Out[249]:
(array([  7.46810051e-05,   4.32972227e+00]),
 array([[ -1.00000000e+00,  -2.46096962e-06],
        [  2.46096962e-06,  -1.00000000e+00]]))

그림 3의 왼쪽 위 그래프에서 큰 고유값에 해당하는 고유벡터의 방향을

그림 4. 공분산행렬의 고유분해 결과 

그림 4에서 붉은 선은 위 데이터에서 넓게 퍼진 방향을 나타냅니다. 이 방향은 큰 고유값에 대응하는 벡터의 방향과 같습니다. 또한 위 데이터가 빨간 선으로 투영된다면 그 투영된 데이터의 분산은 다음식으로 계산됩니다. 

${\overrightarrow{v}}^T\mathrm{\Sigma }\overrightarrow{v}$

np.dot(np.dot(ve1[:,1].T, np.cov(x, y)), ve1[:,1])

Out[267]: 6.6334156754030547

이 값은 빨간 선을 나타내는 고유벡터에 대응되는 고유값과 같습니다.  그러므로 각 벡터에 대응되는 고유값은 그 벡터의 방향으로 투영된다면 계산되는 분산과 같습니다. 

만약에 공분산 행렬에서 공분산이 0이라면 어떤 축과 동일하게 위치하므로 투영된 것이나 원 데이터들이나 동일하기 때문에 생성되는 고유값이 그대로 원 데이터의 분산이 되겠지요. 

선형변형으로서 공분산(Covariance matrix as a linear transformation)