Question

SVD代表奇异值分解，据说是在文本分类中进行特征减少的流行技术。我知道原则为this link。

我一直在使用C＃，使用Accord.Net库并且已经计算出TF-IDF的锯齿状数组double[][]。

我已经知道我的文档中有4个主题。我想用簇数k = 4来测试Kmean方法。在使用Kmean之前，我想使用SVD进行特征缩减。当结果显示时，将近90％的文档分组为1组，其他文档分组为3个其他群集。这是一个非常糟糕的结果。我试过多次重新运行，但结果没有太大变化。如果我使用PCA而不是SDV，一切都按预期完成。

所以，我错了。知道这一点的任何人都可以为我提供示例代码非常感谢你。

注意：我的原始TF-IDF有代表文档的行，代表术语的列

这是我的代码：

        //to matrix because the function SVD requiring input of matrix, not jagged array
        //transpose because the TF-IDF used for SVD has rows representing terms, columns representing documents; 
        var svd = new SingularValueDecomposition(tfidf.ToMatrix().Transpose());
        double[,] U = svd.LeftSingularVectors;
        double[,] S = svd.DiagonalMatrix;
        double[,] V = svd.RightSingularVectors;

        //find the optimal cutoff y so that we retain enough singular values to make up 90% of the energy in S
        //http://infolab.stanford.edu/~ullman/mmds/ch11.pdf, page 18-20
        double energy = 0;
        for (int i = 0; i < S.GetLength(0); i++)
        {
            energy += Math.Pow(S[i, i], 2);
        }

        double percent;
        int y = S.GetLength(0);
        do
        {
            y--;
            double test = 0;
            for (int i = 0; i < y; i++)
            {
                test += Math.Pow(S[i, i], 2);
            }

            percent = test / energy;
        } while (percent >= 0.9);
        y = y + 1;

        //Uk gets all rows, y first columns of U; Sk get y first rows, y first columns of S; Vk get y first rows, all columns of V
        double[,] Uk = U.Submatrix(0, U.GetLength(0) - 1, 0, y - 1);
        double[,] Sk = S.Submatrix(0, y - 1, 0, y - 1);
        double[,] Vk = V.Submatrix(0, y - 1, 0, V.GetLength(1) - 1);

        //reduce dimension according to http://stats.stackexchange.com/questions/107533/how-to-use-svd-for-dimensionality-reduction-to-reduce-the-number-of-columns-fea
        //we tranpose again to have the rows being document, columns being term as original TF-IDF
        //ToArray because the Kmean below acquiring input of jagged array
        tfidf = Uk.Multiply(Sk).Transpose().ToArray();
        // if tfidf = Uk.Multiply(Sk).Multiply(Vk).Transpose().ToArray()
        // result still bad

        // Create a K-Means algorithm using given k and a square Euclidean distance as distance metric.
        var kmeans = new KMeans(4, Distance.SquareEuclidean) { Tolerance = 0.05 };
        int[] labels = kmeans.Compute(tfidf);

之后，我们会根据标签了解哪些文档属于哪些组。

Answer 1

Accord.NET中的PCA已经使用SVD计算。有关如何在没有PCA课程帮助的情况下手动执行SVD的示例，您始终可以查看PrincipalComponentAnalysis.cs source code。

第一步是减去数据的平均值（存储在变量x中）：

 int NumberOfInputs = x.Columns();
 this.Means = x.Mean(dimension: 0);
 z = x.Subtract(Means, dimension: 0);

现在，您可以选择按标准偏差划分数据，有效地将数据转换为z分数。此步骤是严格可选的，但是当您的数据表示以各种数量级的单位收集的变量时（例如，一列代表以公里为单位的高度，另一列以厘米为单位），这可能是有意义的。

this.StandardDeviations = x.StandardDeviation(Means);
z = z.Divide(StandardDeviations, dimension: 0);

现在，'x'的主要成分是Cov（x）的特征向量。因此，如果我们计算'z'（x标准化）的SVD，矩阵V的列（SVD的右侧）将是x的主要组成部分。有了这个，我们现在要做的是执行矩阵z的奇异值分解（SVD）：

var svd = new JaggedSingularValueDecomposition(matrix,
    computeLeftSingularVectors: false,
    computeRightSingularVectors: true,
    autoTranspose: true);

var singularValues = svd.Diagonal;
var eigenvalues = SingularValues.Pow(2);
var eigenvalues.Divide(x.Rows() - 1);
var componentVectors = svd.RightSingularVectors.Transpose();

如果您想要执行白化，您还可以将矢量除以奇异值：

componentVectors = componentVectors.Divide(singularValues, dimension: 1);

现在，如果您想将数据投影到最多90％的方差，请计算与您所做的相似的特征值的累积总和：

// Calculate proportions
var componentProportions = eigenvalues.Abs().Divide(eigenValues.Abs().Sum());

// Calculate cumulative proportions
var componentCumulative = componentProportions.CumulativeSum();

现在，通过查看累积比例大于所需方差的比例来确定所需的维数。知道这个数字后，只选择特征向量矩阵中的那些特征向量：

int numberOfVectors = // number of vectors that you need

for (int i = 0; i < rows; i++)
    for (int j = 0; j < numberOfVectors; j++)
        for (int k = 0; k < componentVectors[j].Length; k++)
            result[i][j] += z[i][k] * componentVectors[j][k];

在上面的例子中，我正在转换矩阵z，它已经是平均居中和可选的标准化。在转换另一组数据之前，不要忘记应用与原始矩阵相同的转换。

最后，请记住，手动完成上述所有操作都是完全可选的。你应该真的使用PrincipalComponentAnalysis类来为你做所有这些繁重的工作！

如何在Accord.net

1 个答案: