기본 콘텐츠로 건너뛰기

pandas_ta를 적용한 통계적 인덱스 지표

[data analysis] 데이터 행렬의 차원 축소

데이터 행렬의 차원 축소

관련된 내용

주성분 분석(Principal component analysis, PCA)은 데이터 행렬의 차원을 축소시키는 기법으로 그 행렬의 고유값과 고유벡터를 기준으로 새로운 변수 행렬을 생성합니다. 행렬 A에 대해 식 1을 만족하는 벡터 x와 스칼라 λ를 각각 고유벡터와 고유값이라고 합니다.

\begin{align}\tag{식 1}Ax &= λx\\ A,\, x,\, \lambda:&\;\text{행렬, 고유벡터, 고유값(스칼라)}\end{align}

식 1의 행렬 A와 벡터 x의 행렬곱은 행렬 A의 선형변환입니다. 즉, x는 행렬 A를 선형적으로 확대, 축소, 또는 회전하기 위한 벡터가 됩니다. 식의 우항인 벡터와 스칼라 곱은 벡터의 크기만 변환하며 방향은 유지 됩니다. 그러므로 식이 만족한다는 것은 행렬 A의 방향을 나타낼 수 있으며 그 방향을 유지하면서 행렬의 변환을 일으킬 수 있는 스칼라가 존재함을 나타냅니다. 이러한 벡터와 스칼라를 고유벡터(eigenvector), 고유값(eigenvalue)이라고 합니다.

  • 고유벡터(eigenvector) : 벡터의 선형변환시 변하지 않는 방향을 나타내는 벡터로 그 변하지 않는 방향을 주축(principal axis)라고 합니다.
  • 고유값(eigenvalue): 고유벡터의 크기를 결정하는 값

행렬의 고유값과 고유벡터는 numpy.linalg.eig() 함수로 확인할 수 있습니다.

import numpy as np
A=np.array([[3,2],[2,4]])
print(A)
[[3 2]
 [2 4]]
eval,evec=la.eig(A)
print(evec.round(3))
[[-0.788 -0.615]
 [ 0.615 -0.788]]
print(eval.round(3))
[1.438 5.562]

두 객체의 값들을 비교하기 위해 numpy.allclose() 함수를 적용합니다.

np.allclose(A@evec[:,0], eval[0]*evec[:,0])
True
np.allclose(A@evec[:,1], eval[1]*evec[:,1])
True

그림 1은 위 행렬 A의 방향을 나타내는 고유벡터(x1, x2)와 고유값과의 연산에 의해 확장된 결과를 나타냅니다.

그림 1. 행렬 A의 고유벡터와 고유값의 내적에 의한 결과.
f=plt.figure(figsize=(3,2))
a1=plt.arrow(0, 0, evec[0,0], evec[1,0], color="b",  head_width=0.1, lw=1)
a2=plt.arrow(0, 0, eval[0]*evec[0,0], eval[0]*evec[1,0], color="g", alpha=0.6, ls="-.", lw=1, head_width=0.1)
a3=plt.arrow(0, 0, evec[0,1], evec[1,1], color="r",  head_width=0.1, lw=1)
a4=plt.arrow(0, 0, eval[1]*evec[0,1], eval[1]*evec[1,1], color="brown", alpha=0.6, ls="-.",head_width=0.1, lw=1)
cod=[(-0.5, 0.5), (-1.3, 0), (-0.5, -1),(-2, -3)]
nme=[r"$x_1$", r"$\lambda_1x_1$", r"$x_2$", r"$\lambda_2x_2$"]
col=["b", "g", "r","brown"]
for i in range(4):
    plt.text(cod[i][0], cod[i][1], nme[i], color=col[i])
plt.show()

차원 n×n의 정방행렬 A는 식 1과 같이 그 행렬의 고유값과 고유벡터를 사용하여 n×1 차원의 벡터로 차원을 축소할 수 있습니다. 이 관계를 기반으로 데이터 행렬 X에 단위행렬 e의 내적을 고려해봅시다. 식 2는 표준화된 n×p 차원의 데이터 행렬(X)을 p×1 차원의 임의의 단위벡터(e)와의 내적(행렬곱)으로 변환된 객체의 공분산을 나타낸 것입니다(분산과 공분산 참조).

\begin{align}\text{Cov}(x)&=\frac{1}{n}(Xe)^2\\&=\frac{1}{n}(Xe)^T(Xe)\\&=\frac{1}{n}e^TX^TXe\\\tag{식 2}&=e^T\frac{X^TX}{n}e\\&=e^T\Sigma e\\ X:&\,\text{데이터 행렬}\\e:&\,\text{단위벡터}\\Σ:&\,\text{X의 공분산 행렬}\end{align}

식 2에서 e는 미지(unknown)의 단위 벡터입니다. 단위벡터이므로 이 객체의 크기는 1이 되는 조건을 가집니다. 이러한 제한된 조건에 객체의 최적화는 식 3과 같이 라그랑쥬 승수법을 사용합니다.

\begin{align}\vert{e}\vert^2 &=1\\ \tag{식 3} L&=e^T\Sigma e\lambda_l(\vert{e}\vert^2 -1)\\L:&\,\text{라그랑주 함수(새로운 함수)}\\ \lambda_l:&\,\text{라그랑수 승수}\end{align}

식 3은 단위행렬 e에 대해 2차식이므로 최적 조건 즉, e에 대한 극점은 "미분 = 0"인 지점이 됩니다. e에 대한 편미분이 0이 되는 조건은 식 4와 같습니다.

\begin{align}\frac{\partial L}{\partial e}&=2\Sigma e - 2\lambda_l e\\\tag{식 4} &=0\\\Leftrightarrow&\; \Sigma e = \lambda_l e \end{align}

식 4는 식 1과 같은 형태입니다. 즉, Σ는 데이터 X의 공분산 행렬이므로 e와 λ는 각각 Σ의 고유벡터와 고유값이 되므로 그 고유벡터에 의해 데이터 행렬을의 차원을 축소할 수 있습니다. 그 축소된 차원의 공분산 행렬은 식 5와 같이 변환된 데이터의 분산이 됩니다.

\begin{align}\text{Cov}(x)&=e^T\Sigma e\\\tag{식 5}&=e^T\lambda e\\&=\lambda e^Te \\ &=\text{Var}(Xe)\end{align}

댓글

이 블로그의 인기 게시물

[Linear Algebra] 유사변환(Similarity transformation)

유사변환(Similarity transformation) n×n 차원의 정방 행렬 A, B 그리고 가역 행렬 P 사이에 식 1의 관계가 성립하면 행렬 A와 B는 유사행렬(similarity matrix)이 되며 행렬 A를 가역행렬 P와 B로 분해하는 것을 유사 변환(similarity transformation) 이라고 합니다. $$\tag{1} A = PBP^{-1} \Leftrightarrow P^{-1}AP = B $$ 식 2는 식 1의 양변에 B의 고유값을 고려한 것입니다. \begin{align}\tag{식 2} B - \lambda I &= P^{-1}AP – \lambda P^{-1}P\\ &= P^{-1}(AP – \lambda P)\\ &= P^{-1}(A - \lambda I)P \end{align} 식 2의 행렬식은 식 3과 같이 정리됩니다. \begin{align} &\begin{aligned}\textsf{det}(B - \lambda I ) & = \textsf{det}(P^{-1}(AP – \lambda P))\\ &= \textsf{det}(P^{-1}) \textsf{det}((A – \lambda I)) \textsf{det}(P)\\ &= \textsf{det}(P^{-1}) \textsf{det}(P) \textsf{det}((A – \lambda I))\\ &= \textsf{det}(A – \lambda I)\end{aligned}\\ &\begin{aligned}\because \; \textsf{det}(P^{-1}) \textsf{det}(P) &= \textsf{det}(P^{-1}P)\\ &= \textsf{det}(I)\end{aligned}\end{align} 유사행렬의 특성 유사행렬인 두 정방행렬 A와 B는 'A ~ B' 와 같...

유리함수 그래프와 점근선 그리기

내용 유리함수(Rational Function) 점근선(asymptote) 유리함수 그래프와 점근선 그리기 유리함수(Rational Function) 유리함수는 분수형태의 함수를 의미합니다. 예를들어 다음 함수는 분수형태의 유리함수입니다. $$f(x)=\frac{x^{2} - 1}{x^{2} + x - 6}$$ 분수의 경우 분모가 0인 경우 정의할 수 없습니다. 이와 마찬가지로 유리함수 f(x)의 정의역은 분모가 0이 아닌 부분이어야 합니다. 그러므로 위함수의 정의역은 분모가 0인 부분을 제외한 부분들로 구성됩니다. sympt=solve(denom(f), a); asympt [-3, 2] $$-\infty \lt x \lt -3, \quad -3 \lt x \lt 2, \quad 2 \lt x \lt \infty$$ 이 정의역을 고려해 그래프를 작성을 위한 사용자 정의함수는 다음과 같습니다. def validX(x, f, symbol): ① a=[] b=[] for i in x: try: b.append(float(f.subs(symbol, i))) a.append(i) except: pass return(a, b) #x는 임의로 지정한 정의역으로 불연속선점을 기준으로 구분된 몇개의 구간으로 전달할 수 있습니다. #그러므로 인수 x는 2차원이어야 합니다. def RationalPlot(x, f, sym, dp=100): fig, ax=plt.subplots(dpi=dp) # ② for k in x: #③ x4, y4=validX(k, f, sym) ax.plot(x4, y4) ax.spines['left'].set_position(('data', 0)) ax.spines['right...

turtle로 정오각형 그리기

정오각형 그리기  오각형을 그리는 것 역시 정사각형 , 정삼각형 을 그리는 것과 유사한 과정을 거칩니다. 단지 각 꼭지점의 각도만이 다르지요. 그러면 정오각형의 각 모서리의 각도는 어떻게 될까요? 이를 생각하기에 앞서 각 도형의 내각을 먼저 생각해보죠. 우리는 삼각형의 내각의 합을 알고 있습니다. 이를 이용하면 각 도형에서 삼각형이 몇개가 존재하는지를 알아보고 "삼각형의 갯수×180"로 그 도형의 내각의 합을 구할 수 있을 것입니다. 다음 그림을 볼까요? 위 그림의 사각형은 1개의 대각선으로 2개의 삼각형으로 구성됩니다. 오각형의 경우 2개의 대각선으로 3개의 삼각형으로 구성됩니다. 즉, 다음의 관계를 보이지요. 사각형의 내각 : 삼각형 2개 2×180=360 한각의 값  360/4=90 오각형의 내각 : 삼각형 3개 3×180=540 한각의 값  540/5=108 육각형의 내각 : 삼각형 4개 4×180=720 한각의 값  720/6=120 ... 위 그림에서 내각과 외각의 관계를 보면 위 그림의 검은색은 각 모서리의 내각이고 빨간색은 외각을 나타냅니다. 외각은 내각을 이루는 하나의 선을 연장했을 경우 상대되는 각도이라고 했습니다. 그러므로 오각형의 경우 내각 108도에 대한 외각은 72도입니다. 특이할 사항은 사각형이나 오각형이나 외각의 합은 360입니다. 즉, 모든 도형의 외각의 합은 360도입니다. (삼각형의 외각의 합을 구해보세요.) 그러므로 모든 정다각형에서 하나의 외각은 다음과 같이 계산될 수 있겠지요. 360/변수의 수=다각형에서 하나의 외각 위에서 회전을 할 경우 내각이 아닌 외각을 사용해야 함을 알았습니다. 그러므로 오각형을 그리는 계획은 다음과 같이 작성할 수 있겠죠. 1) 지정한 길이만큼 앞으로 이동합니다. 2) 오른쪽 또는 왼쪽으로 72도를 회전합니다. 3) 앞으로 동일한 길이만큼 이동합니다. 4) 오른쪽 또는 왼쪽으로 72도 만큼 이동합니다. 5)1번부터 4번 ...