一種改進(jìn)的基于PCA的數(shù)據(jù)預(yù)處理方法
2020-01-20
作者:陳 燕1,,陳亞林2,,鄭 軍1
來(lái)源:2020年電子技術(shù)應(yīng)用第1期
0 引言
大數(shù)據(jù)處理項(xiàng)目中,,資源消耗最為突出的是數(shù)據(jù)的收集和預(yù)處理,,大約占項(xiàng)目資源支出的80%,,其中數(shù)據(jù)預(yù)處理工作量就要占60%左右[1],。究其原因,,是因?yàn)閷?shí)際應(yīng)用系統(tǒng)收集數(shù)據(jù)時(shí),,由于數(shù)據(jù)源的區(qū)別,、考慮因素不同及數(shù)據(jù)收集工具和數(shù)據(jù)傳輸問題等造成收集到的數(shù)據(jù)存在數(shù)據(jù)不完整,、重要屬性缺失、有噪聲和數(shù)據(jù)不一致等問題,。要得到高質(zhì)量的決策,,必然要求高質(zhì)量的數(shù)據(jù),所以數(shù)據(jù)預(yù)處理在數(shù)據(jù)分析工作量中占比最大,,目的是給數(shù)據(jù)挖掘提供準(zhǔn)確,、一致、及時(shí),、權(quán)威的數(shù)據(jù)集,。數(shù)據(jù)預(yù)處理工作包括缺失值(空值)處理、異常值處理,、數(shù)據(jù)集成和數(shù)據(jù)規(guī)約,,其中數(shù)據(jù)規(guī)約是影響大型數(shù)據(jù)集預(yù)處理效果的主要瓶頸。文獻(xiàn)[2]中提出基于聚類方法實(shí)現(xiàn)數(shù)據(jù)分層,;文獻(xiàn)[3]-[4]中提出離群值檢測(cè)進(jìn)行異常值處理,,進(jìn)而數(shù)量規(guī)約;文獻(xiàn)[5]-[6]中提出基于相似連接實(shí)現(xiàn)數(shù)據(jù)并行處理,;文獻(xiàn)[7]-[9]提出了選用二維離散小波進(jìn)行維度規(guī)約的數(shù)據(jù)預(yù)處理,;文獻(xiàn)[10]-[11]提出了針對(duì)稀疏數(shù)據(jù)進(jìn)行數(shù)量規(guī)約的方法。而針對(duì)存在相關(guān)性的多個(gè)變量,,目前廣泛使用主成分分析(Principal Component Analysis,,PCA)方法進(jìn)行降維,從而使用較少的綜合指標(biāo)來(lái)代表原變量中的各類信息,,降低數(shù)據(jù)分析的復(fù)雜性,。
1 主成分分析PCA
PCA的思想是將n維特征映射到k維(k<n)全新的正交特征(即主成分)上[12]。其算法描述為:
(1)輸入:n維特征數(shù)據(jù)集,;
(2)計(jì)算樣本均值:
(3)計(jì)算樣本方差S2:
(7)得到降序排列的前k個(gè)λi對(duì)應(yīng)的特征向量zi組成的矩陣,;
(8)輸出:轉(zhuǎn)換到k個(gè)特征向量構(gòu)建的新空間數(shù)據(jù)集。
由算法描述可知,,PCA方法即通過基變換實(shí)現(xiàn)降維,。為了保證最優(yōu)變換,,PCA采用最大方差來(lái)確保基保留信息量的最大化,。
使用PCA方法進(jìn)行數(shù)據(jù)維規(guī)約時(shí),,計(jì)算易于實(shí)現(xiàn),只需要考慮原數(shù)據(jù)集的協(xié)方差矩陣大小,,且k個(gè)主成分各自獨(dú)立[13],。但PCA方法降維后,主成分的各個(gè)特征解釋性有所降低,,而且未被選擇的非主成分也可能含有對(duì)樣本差異的重要信息,,從而造成新的數(shù)據(jù)不完整。
2 改進(jìn)的PCA數(shù)據(jù)預(yù)處理方法
使用PCA方法進(jìn)行維規(guī)約時(shí),,首先需要對(duì)原數(shù)據(jù)集中的數(shù)據(jù)中心化,,其后也沒有人為設(shè)定參數(shù)或參照經(jīng)驗(yàn)?zāi)P瓦M(jìn)行計(jì)算,從而保證結(jié)果和數(shù)據(jù)相關(guān),,且獨(dú)立于用戶[14],。由于均值易受極端值影,簡(jiǎn)單地使用與均值相減實(shí)現(xiàn)數(shù)據(jù)中心化是造成映射所得主成分的特征解釋性降低的原因之一,。為了解決這一問題,在對(duì)數(shù)據(jù)中心化時(shí),,用加權(quán)規(guī)范化均值來(lái)代替均值實(shí)現(xiàn)數(shù)據(jù)中心化,。加權(quán)規(guī)范化均值計(jì)算公式為:
其中,Id為數(shù)據(jù)集中的元素,,d為元素與均值差,,wd為每個(gè)元素對(duì)應(yīng)d所分配的權(quán)值,滿足∑wd=1,。
改進(jìn)后的PCA算法描述為:
(1)輸入:n維數(shù)據(jù)集X={x1,,x2,…,,xn},;
(5)計(jì)算目標(biāo)函數(shù),其中v為單位向量:
(6)得到max(f(v))的必要條件為Cv=λv,,則v為協(xié)方差矩陣的特征向量,,其保存的信息量為特征值λ;
(7)將協(xié)方差矩陣C對(duì)角化,,得到n個(gè)不同的特征值λi,,降序排列;
(8)while(k<=n){
(9)輸出:映射到新基集的數(shù)據(jù)集,。
3 算法驗(yàn)證實(shí)驗(yàn)
3.1 原始數(shù)據(jù)集概況
實(shí)驗(yàn)采用的數(shù)據(jù)集為長(zhǎng)江流域夾江揚(yáng)州三江營(yíng)點(diǎn)位南水北調(diào)東線取水口斷面2018年52期水質(zhì)自動(dòng)監(jiān)測(cè)數(shù)據(jù)共364條,,水質(zhì)監(jiān)測(cè)指標(biāo)包括PH值,、溶解氧DO、高錳酸鉀指數(shù)CODMn,、氨氮 NH3-N,、總磷TP、總氮TN和總有機(jī)碳TOC共7個(gè)變量,,數(shù)據(jù)集片段如圖1所示,。
3.2 數(shù)據(jù)中心化處理
PCA方法對(duì)每個(gè)特征變量求均值,即計(jì)算=xi-,,得到中心化后的數(shù)據(jù)集片段如圖2所示,。
3.3 基于協(xié)方差矩陣的特征值確定主成分?jǐn)?shù)量
根據(jù)計(jì)算Rayleigh商和Cattell碎石檢驗(yàn)原則,使用改進(jìn)PCA方法前后,,基于特征值對(duì)應(yīng)的主成分選擇如圖4所示,。
由圖4(a)可知,根據(jù)特征值對(duì)應(yīng)選擇第1,、2,、3和7個(gè)特征變量即可以表示數(shù)據(jù)集,數(shù)據(jù)集由346×7降為346×4,,且變量TOC和CODMn,、TN和NH3-N相關(guān)性較強(qiáng),但注意到變量TP沒有被解釋,。
由圖4(b)可知,,根據(jù)特征值對(duì)應(yīng)選擇第1、2,、3,、4和7個(gè)特征變量即可以表示數(shù)據(jù)集,數(shù)據(jù)集由346×7降為346×5,,且變量TOC和CODMn,、TN和NH3-N相關(guān)性較強(qiáng),可以進(jìn)行合并,,并且沒有丟失變量TP的特征數(shù)據(jù),。
3.4 根據(jù)特征向量矩陣生成新數(shù)據(jù)集
將特征值對(duì)應(yīng)的特征向量構(gòu)造矩陣,得到數(shù)據(jù)降維轉(zhuǎn)換基,,轉(zhuǎn)換前后數(shù)據(jù)集特征值示意圖如圖5所示,。
由圖5可知,使用PCA方法進(jìn)行降維處理后,,仍然可以保留原始數(shù)據(jù)集的大部分變量特征值,,但實(shí)驗(yàn)證明改進(jìn)后的PCA方法尋找主成分更為謹(jǐn)慎,對(duì)特征特征值描述更加清晰。
4 結(jié)論
主成分分析(PCA)是通過正交變換將n個(gè)可能相關(guān)的變量轉(zhuǎn)換為k個(gè)(k<n)不相關(guān)的變量,,從而尋找到代表原數(shù)據(jù)集的主成分變量的一種統(tǒng)計(jì)方法,,是目前使用最廣泛的數(shù)據(jù)維規(guī)約算法。理想的PCA方法使用要求最大方差和最少非主成分?jǐn)?shù)據(jù)丟失,,故使用PCA方法時(shí)要關(guān)注生成的協(xié)方差矩陣質(zhì)量和特征值的選取數(shù)量,。中心化數(shù)據(jù)時(shí)將均值計(jì)算轉(zhuǎn)變?yōu)榧訖?quán)規(guī)范平均值的計(jì)算,可以充分考慮各變量特征值的統(tǒng)計(jì)性能,,保證生成的協(xié)方差矩陣質(zhì)量,。通過Rayleigh商和Cattell碎石檢驗(yàn)原則可以選擇更合理的特征值數(shù)目,盡可能避免出現(xiàn)非主成分含有對(duì)樣本差異的重要信息丟失,。實(shí)驗(yàn)結(jié)果表明,,改進(jìn)后的PCA算法更能保證數(shù)據(jù)完整性,雖然可能會(huì)降低維規(guī)約的效率,,但數(shù)據(jù)完整是高質(zhì)量的數(shù)據(jù)源首先應(yīng)該考慮的,。
參考文獻(xiàn)
[1] 曾祥坤,張俊輝,,石拓,,等.基于主題提取模型的交通違法行為文本數(shù)據(jù)的挖掘[J].電子技術(shù)應(yīng)用,2019,,45(6):41-45.
[2] 文若晴,,馬昂,潘曉.基于密度聚類的簽到軌跡大數(shù)據(jù)分層預(yù)處理研究[J].計(jì)算機(jī)應(yīng)用與軟件,,2019,,36(3):20-28.
[3] ZHANG Y,MERATNIA N,,HAVINGA P.Outlier detection tech-niques for wireless sensor networks:a survey[J].IEEE Com-munications Surveys & Tutorials,2010,,12(2):159-170.
[4] LEI P R.A framework for anomaly detection in maritime traj-ectory behavior[J].Knowledge and Information Systems,,2016,47(1):189-214.
[5] 郭方方,,潮洛蒙,,朱建文.基于相似連接的多源數(shù)據(jù)并行預(yù)處理方法[J].計(jì)算機(jī)應(yīng)用,2019,,39(1):57-60.
[6] CHEN Y F,,ZHAO X,HE P J,,et al.BMGSJoin:a MapReduce based graph similarity join algorithm[J].Pattern Recognition & Artificial Intelligence,,2015,28(5):472-480.
[7] 張璽君,,袁占亭,,張紅,,等.交通軌跡大數(shù)據(jù)預(yù)處理方法研究[J].計(jì)算機(jī)工程,2019,,45(6):26-31.
[8] 崔光照,,曹祥,張華.基于小波變換的基因表達(dá)數(shù)據(jù)去噪聚類分析[J].信號(hào)處理,,2005,,21(s1):463-466.
[9] SU H,ZHENG K,,WANG H,,et al.Calibrating trajectory data for similarity-based analysis[C].ACM SIGMOD International Conference on Management of Data.ACM,2013:833-844.
[10] 李志平,,付冬梅,,穆志純.基于稀疏數(shù)據(jù)規(guī)約的CMAC大氣腐蝕數(shù)據(jù)補(bǔ)償方法[J].計(jì)算機(jī)應(yīng)用研究,2016,,33(9):2645-2647.
[11] TAGHAVIPOUR A,,F(xiàn)OUMANI M S,BOROUSHAKI M.Implementation of an optimal control strategy for a hydraulic hybrid vehicle using CMAC and RBF networks[J].Scientia Iranica,,2012,,19(2):327-334.
[12] 范葉平,李玉,,楊德勝,,等.基于深度集成學(xué)習(xí)的人臉智能反饋認(rèn)知方法[J].電子技術(shù)應(yīng)用,2019,,45(5):5-8,,13.
[13] 謝霖銓,徐浩,,陳希邦,,等.基于PCA的決策樹優(yōu)化算法[J].軟件導(dǎo)刊,2019,,18(9):69-71,,76.
[14] 張?jiān)讫?基于PCA的高維流式數(shù)據(jù)聚類算法[J].電子技術(shù)與軟件工程,2019(8):175-176.
作者信息:
陳 燕1,,陳亞林2,,鄭 軍1
(1.貴陽(yáng)學(xué)院 數(shù)學(xué)與信息科學(xué)學(xué)院,貴州 貴陽(yáng)550002,;2.南京財(cái)經(jīng)大學(xué) 管理科學(xué)與工程學(xué)院,,江蘇 南京210046)