拉普拉斯特征映射（Laplacian Eigenmaps）

1 介绍

　　拉普拉斯特征映射（Laplacian Eigenmaps）是一种不太常见的降维算法，它看问题的角度和常见的降维算法不太相同，是从局部的角度去构建数据之间的关系。具体来讲，拉普拉斯特征映射是一种基于图的降维算法，它希望相互间有关系的点（在图中相连的点）在降维后的空间中尽可能的靠近，从而在降维后仍能保持原有的数据结构。

2 推导

　　拉普拉斯特征映射通过构建邻接矩阵为 W 的图来重构数据流形的局部结构特征。

　　其主要思想是：如果两个数据实例 i 和 j 很相似，那么 i 和 j 在降维后目标子空间中应该尽量接近。设数据实例的数目为 n ，目标子空间即最终的降维目标的维度为 m 。 定义 n×m 大小的矩阵 Y ，其中每一个行向量 yTi 是数据实例 i 在目标 m 维子空间中的向量表示（即降维后的数据实例 i ）。我们的目的是让相似的数据样例 i 和 j 在降维后的目标子空间里仍旧尽量接近，故拉普拉斯特征映射优化的目标函数如下:

　　　　min∑i,j‖yi−yj‖2Wij

　　下面开始推导：

　　　　n∑i=1n∑j=1‖yi−yj‖2Wij=n∑i=1n∑j=1(yTiyi−2yTiyj+yTjyj)Wij=n∑i=1(n∑j=1Wij)yTiyi+n∑j=1(n∑i=1Wij)yTjyj−2n∑i=1n∑j=1yTiyjWij=2n∑i=1DiiyTiyi−2n∑i=1n∑j=1yTiyjWij=2n∑i=1(√Diiyi)T(√Diiyi)−2n∑i=1yTi(n∑j=1yjWij)=2trace(YTDY)−2n∑i=1yTi(YW)i=2trace(YTDY)−2trace(YTWY)=2trace[YT(D−W)Y]=2trace(YTLY)

　　其中 W 是图的邻接矩阵，对角矩阵 D 是图的度矩阵 (Dii=n∑j=1Wij) ，L=D−W 为图的拉普拉斯矩阵。

　　变换后的拉普拉斯特征映射优化的目标函数如下:

　　　　mintrace(YTLY) s.t. YTDY=I

　　限制条件  s.t.YTDY=I 为了消除低维空间中的缩放因子，也为了保证 Dii 值较大的样本点在低维空间中更为重要，下面用拉格朗日乘子法对目标函数求解:

　　　　f(Y)=tr(YTLY)+tr[Λ(YTDY−I)]

　　　　∂f(Y)∂Y=LY+LTY+DTYΛT+DYΛ=2LY+2DYΛ=0

　　　　∴LY=−DYΛ

　　其中，Λ 为一个对角矩阵，另外 L 、 D 均为实对称矩阵，其转置与自身相等。对于单独的 y 向量，上式可写为: Ly=λDy，这是一个广义特征值问题。通过求得 m 个最小非零特征值所对应的特征向量，即可达到降维的目 的。

　　关于这里为什么要选择 m 个最小非零特征值所对应的特征向量。将 LY=−DYΛ 带回到 mintrace(YTLY) 中，由于有着约束条件 YTDY=I 的限制，可以得到 mintrace(YTLY)=mintrace(−Λ) 。即为特 征值之和。我们为了目标函数最小化，要选择最小的 m 个特征值所对应的特征向量。

3 步骤

　　使用时算法具体步骤为:

　　步骤1：构建图

　　　　使用某一种方法来将所有的点构建成一个图，例如使用KNN算法，将每个点最近的K个点连上边。K是一个预先设定的值。

　　步骤2：确定权重

　　　　确定点与点之间的权重大小，例如选用热核函数来确定，如果点 i 和点 j 相连，那么它们关系的权重设定为：

　　　　Wij=e−‖xi−xj‖2t

　　　　另外一种可选的简化设定是 Wij=1 如果点 i ，j 相连，否则 Wij=0 。

　　步骤3：特征映射

　　　　计算拉普拉斯矩阵 L 的特征向量与特征值: Ly=λDy

　　　　使用最小的 m 个非零特征值对应的特征向量作为降维后的结果输出。

 

Code:

# coding:utf-8

import numpy as np
import matplotlib.pyplot as plt
from sklearn.datasets import load_digits
from mpl_toolkits.mplot3d import Axes3D

def make_swiss_roll(n_samples=100, noise=0.0, random_state=None):
    #Generate a swiss roll dataset.
    t = 1.5 * np.pi * (1 + 2 * np.random.rand(1, n_samples))
    x = t * np.cos(t)
    y = 83 * np.random.rand(1, n_samples)
    z = t * np.sin(t)
    X = np.concatenate((x, y, z))
    X += noise * np.random.randn(3, n_samples)
    X = X.T
    t = np.squeeze(t)
    return X, t

def rbf(dist, t = 1.0):
    '''
    rbf kernel function
    '''
    return np.exp(-(dist/t))

def cal_pairwise_dist(x):

    '''计算pairwise 距离, x是matrix
    (a-b)^2 = a^2 + b^2 - 2*a*b
    '''
    sum_x = np.sum(np.square(x), 1)
    dist = np.add(np.add(-2 * np.dot(x, x.T), sum_x).T, sum_x)
    #返回任意两个点之间距离的平方
    return dist

def cal_rbf_dist(data, n_neighbors = 10, t = 1):

    dist = cal_pairwise_dist(data)
    dist[dist < 0] = 0
    n = dist.shape[0]
    rbf_dist = rbf(dist, t)

    W = np.zeros((n, n))
    for i in range(n):
        index_ = np.argsort(dist[i])[1:1+n_neighbors]
        W[i, index_] = rbf_dist[i, index_]
        W[index_, i] = rbf_dist[index_, i]

    return W

def le(data,
          n_dims = 2,
          n_neighbors = 5, t = 1.0):
    '''
    :param data: (n_samples, n_features)
    :param n_dims: target dim
    :param n_neighbors: k nearest neighbors
    :param t: a param for rbf
    :return:
    '''
    N = data.shape[0]
    W = cal_rbf_dist(data, n_neighbors, t)
    D = np.zeros_like(W)
    for i in range(N):
        D[i,i] = np.sum(W[i])

    D_inv = np.linalg.inv(D)
    L = D - W
    eig_val, eig_vec = np.linalg.eig(np.dot(D_inv, L))

    sort_index_ = np.argsort(eig_val)

    eig_val = eig_val[sort_index_]
    print("eig_val[:10]: ", eig_val[:10])

    j = 0
    while eig_val[j] < 1e-6:
        j+=1

    print("j: ", j)

    sort_index_ = sort_index_[j:j+n_dims]
    eig_val_picked = eig_val[j:j+n_dims]
    print(eig_val_picked)
    eig_vec_picked = eig_vec[:, sort_index_]

    # print("L: ")
    # print(np.dot(np.dot(eig_vec_picked.T, L), eig_vec_picked))
    # print("D: ")
    # D not equal I ???
    print(np.dot(np.dot(eig_vec_picked.T, D), eig_vec_picked))

    X_ndim = eig_vec_picked
    return X_ndim

if __name__ == '__main__':
    X, Y = make_swiss_roll(n_samples = 2000)  #生成瑞士卷数据集
    X_ndim = le(X, n_neighbors = 5, t = 20)
    
    fig = plt.figure(figsize=(12,6))
    ax1 = fig.add_subplot(121, projection='3d')
    ax1.scatter(X[:, 0], X[:, 1], X[:, 2], c = Y)
    
    ax2 = fig.add_subplot(122)
    ax2.scatter(X_ndim[:, 0], X_ndim[:, 1], c = Y)
    plt.show()

    X = load_digits().data
    y = load_digits().target

    dist = cal_pairwise_dist(X)
    max_dist = np.max(dist)
    print("max_dist", max_dist)
    X_ndim = le(X, n_neighbors = 20, t = max_dist*0.1)
    plt.scatter(X_ndim[:, 0], X_ndim[:, 1], c = y)
    plt.savefig("LE2.png")
    plt.show()

 

• 1 介绍
• 2 推导
• 3 步骤

__EOF__