PLSR的扩展性质

最新推荐文章于 2024-04-08 12:06:15 发布

billy145533

最新推荐文章于 2024-04-08 12:06:15 发布

阅读量973

点赞数

分类专栏：偏最小二乘法文章标签：偏最小二乘法 PLS Partial Least Square PLSR 性质

本文链接： https://blog.csdn.net/billy145533/article/details/99852297

版权

偏最小二乘法专栏收录该内容

13 篇文章 32 订阅

订阅专栏

PLS回归算法可以分为两类，PLSR1和PLSR2，分别对应一个或者多个相应变量，本文为了简单起见，只讨论PLSR1这种情况。

下面主要讨论一下PLS1的系数计算和推导性质

1.基本性质

在前面偏最小二乘法基本性质推导已经介绍了基本的性质，这里不再赘述，这里，根据PLS1的特点，重新定义一下基本公式

参照传统，公式中的下标做了调整，跟常见的文献和参考书中的下标表示一致

$\bg_white \fn_jvn \dpi{120} \bg_white \fn_jvn \\E_0=X \\F_0 = y \\v_n =F^T_{n-1}E_{n-1}w_n /\lambda \\ t_n =E_{n-1}w_n \\u_n = F_{n-1}v_n \\ p_n = \frac{E_{n-1}^Tt_n}{\left \| t_n \right \|^2} \\ q_n= \frac{F_{n-1}^Tt_n}{\left \| u_n \right \|^2}\\ r_n = \frac{F_{n-1}^Tt_n}{\left \| t_n \right \|^2} \\E_n = E_{n-1} - t_np_n^T \\F_n = F_{n-1} - t_nr_n^T$

当响应变量为一个向量的时候，可以看到 $w_n \propto E^T_{n-1}F_{n-1}$ ，而已经退化成标量，假如做归一化的，则恒为1

2 PLSR系数计算

2.1 基于得分矩阵的回归系数

$\small \\ E = t_1p_1^T+t_2p_2^T+...+t_rp_r^T=T*P^T \\ F = t_1r_1^T+t_2r_2^T+...+t_rr_r^T+F^* = T*R^T$

求得系数r后，新的样本可以通过计算其得分，乘以回归系数r，得到预测值。这个方法是T关于F的最小二乘估计，在模型的解释上不是很理想，因此，在实际中，用的似乎比较少，至少我很少看到。

2.2 基于X的回归系数

在多数的情况下面，建模一般都想建立X关于Y的回归模型

$\small \\ E_n = E_{n-1}(I-w_{n-1}*p_{n-1}^T) =E_0\prod_i^{n-1}(I-w_ip_i^T) \\t_n = E_nw_n=E_0\prod_i^{n-1}(I-w_ip_i^T)w_n$

$z_n=\prod_i^{n-1}(I-w_ip_i^T)w_n\Rightarrow t_n = E_0z_n\Rightarrow F_0 = E_0ZR^T$

考虑到计算需要，系数B可以推导出不同的形式。在PLSR1中，系数只是一个向量，不是数组

权值向量z可以看作w的变异版本，通过z，得分可以直接从原始的数据X数据直接得到，不需要再经过残差矩阵。从上述中，z的表达公式可以看出，Z的最小二乘解为

$Z= (E_0^TE_0)^{-}E_0^TT$

下面介绍一下Z的其他表达形式，首先看一下之间的关系

$z_i^Tp_j = z_i^TE_0^Tt_j/(t_j^Tt_j) = t_i^Tt_j/(t_j^Tt_j) = \begin{Bmatrix} 0,i=j\\ 1 ,i\neq j \end{Bmatrix}$

,a 表示潜在变量的数量。

由Z的表达公式可以知道，Z所span的空间和W所span的空间是一样，可以由同一组基构成。

因此，Z可以表达为，G是待确定的矩阵，由此可以得到

$P^T*Z =P^TWG =I_a\Rightarrow G = (P^TW)^{-1}$

$Z= W(P^TW)^{-1}$

最后则有 $b = Zr= W(P^TW)^{-1}r$

类似地还可以得到 $b = W(W^TX^TXW)^{-1}W^TX^Ty$

推导这么多公式地意义在于计算的需要，为了修改原先的算法，首先弄明白算法的原理，然后寻求尽量简单直观的表达公式，保证运算的准确性。如上述的两个关于b的公式，显然第一个要简洁多，但也需要看到，第二个公式只有一个未知的变量

另外，再想想最小二乘法的表达式，上述b的公式2很值得回味，看似杂乱中，体现出一些美感

$b = (X^TX)^{-1}X^Ty$

3 PLSR的其他性质

性质一

$t_i = X(X^TX)^{-1}X^Tt_i$

由于得到是各列的一个线性组合，所以，其在的投影即为自身

性质二

$p_i = E_{i-1}^Tt_i/(t_i^Tt_i)=(E_0-\sum_{1}^{i-1}t_kp_k^T)^Tt_i/(t_i^Tt_i)\\ \Rightarrow p_i = E_0^Tt_i/(t_i^Tt_i)$

性质三

$\\p_i^T(X^TX)^-p_j = t_i^T/(t_i^Tt_i)X(X^TX)^-X^Tt_j/(t_j^Tt_j)\\ = t_i^T/(t_i^Tt_i)t_j/(t_j^Tt_j)=\begin{Bmatrix} 1/(t_i^Tt_i) i=i\\0 ,i\neq j \end{Bmatrix}$

是得分关于残差矩阵的最小二乘系数，本身并不存在正交，但是在空间内，或者说关于共轭正交。

性质四

$\\M = (X^TX)^{-} \\T = X(X^TX)^{-}X^TT=XMX^TT \\X^TT=P (T^TT)= P(P^TMP)^{-1} \\\Rightarrow T =XMP(P^TMP)^{-1}$

性质五

PLSR的系数求解是首先求y关于T的系数,因此y首先投影到T空间中，求得投影，再得到回归系数

$y = Tb\Rightarrow \widetilde{y} = T(T^TT)^{-1}T^Ty$

利用性质四，将上述公式进行化简得到

$\\\widetilde{y} = T(T^TT)^{-1}T^Ty \\ \widetilde{y} = XMP(P^TMP)^{-1}(T^TT)^{-1}((P^TMP)^{-1})^T(XMP)^Ty \\=XMP(P^TMP)^{-1}P^TMX^Ty$

性质六

$E_n = E_0-\sum_{1}^{n}t_ip_i^T=E0-\sum_{1}^{n}t_i(t_i^Tt_i)^{-1}t_i^TE0$

$\\\tau =T(T^TT)T^T =\sum_{1}^{n}t_i(t_i^Tt_i)^{-1}t_i^T \\\tau^\perp = I_Q-\tau \\E_n = \tau^\perp E_0$

很容易理解，X的残差矩阵就是提取与T所span的空间正交的部分。也可以换一个角度去看，用P的角度，由于P并非正交，所以并不能表示成上述那样的形式，但是我们也提到过，P是关于M共轭正交的，因此，采用一种斜投影的形式去表示P与残差En的关系。

$\\t_i=XMp_i(p_i^TMp_i)^{-1} \\$

$E_n = E_0-\sum_{1}^{n}t_ip_i^T=E_0-\sum_{1}^{n}E_0Mp_i(p_i^TMp_i)^{-1}p_i^T \\$

由于 $\sum_{1}^{n}p_ip_i^T =PP^T$ ，且有 $(P^TMP)^{-1}$ 为对角阵，综上得到

$E_n = E_0-\sum_{1}^{n}E_0MP(P^TMP)^{-1}P^T \\$

$\\\texttt{P} = (MP(P^TMP)^{-1}P^T)^T = P(P^TMP)^{-1}P^TM\\ \texttt{P}^\perp=I_Q- P(P^TMP)^{-1}P^TM \\ E_n = E_0(\texttt{P}^\perp)^T$

小结一下，残差矩阵可以表达为如下这两种形式，在结果是等价的，几何意义上的区别是，前者是通过列空间，后者是通过行空间。所有才有左乘和右乘的区别。

$\\E_n = \tau^\perp E_0= E_0(\texttt{P}^\perp)^T$

PLSR的计算非常之多，虽然万变不离其宗，但是算法之间并不完全等价，有兴趣可以参考论文 A comparison of nine PLS1 algorithms。按文献描述，最稳定者还是最传统的NIPALS算法。

PLSR本质上是一种对原数据空间一种低秩逼近的方法，像共轭梯度法，按照一定的准则，每次确定一个求解方向，在残差基础上，不断做正交或者共轭正交的分解，用低维的空间逼近原先的空间。这种空间降维的方式可以克服纬度灾难，使得解更加稳定可靠。得到低维空间也可以表达为Krylov空间，以后再谈谈PLSR和共轭梯度，krylov空间三者之间的关系