PCA作图里面的箭头是干嘛用的？

作图的目的是希望在图里面发现问题或者解释问题，当然更本质一点就是你想解决什么问题？

前几天做了一个PCA的图，图是画出来了，但是问题有很多，比如说主成分是是啥意思，图里面的箭头有什么含义？为了不做无意义的重复，所以写一篇文章尝试做一个解释。

我们以R语言自带的数据集iris作为例子来演示。

data(iris)

iris翻译成中文就是鸢(yuan， 第一声)尾花（如下图）, 我建议你在R语言里用?iris了解更多这个数据集的出处。

iris

先让我们用head简单看下这个数据集的前面几行。其中前面四列是一朵鸢尾花的一些形态特征衡量值，自行翻译各个单词的含义。最后一列是这朵花的所属物种，根据分类，这些花来自于"setosa, versicolor,virginica"

> head(iris)
  Sepal.Length Sepal.Width Petal.Length Petal.Width Species
1          5.1         3.5          1.4         0.2  setosa
2          4.9         3.0          1.4         0.2  setosa
3          4.7         3.2          1.3         0.2  setosa
4          4.6         3.1          1.5         0.2  setosa
5          5.0         3.6          1.4         0.2  setosa
6          5.4         3.9          1.7         0.4  setosa

在平常人眼里, 看到这些数值可能没有任何想法，也不知道这到底是什么品种，但是对于一个研究鸢尾花的人，这些数值可能会在他们的脑海里重构出一朵鸢尾花，然后迅速判断出这是什么品种。我和阅读文章的人都一样，也不知道如何区分鸢尾花的品种，如果想去研究这种规律，应该怎么做呢？

人类的学习过程过程大多数多看多提出一些模型规律，然后基于这个规律去判断，如果错了改正模型，直到找到一个好用的标准为止。因此，后面我们也就是在当前的数据集下多试试，看看能不能提出一些模型。

可视化是非常强大的工具，让我们先看看能不能用“ Sepal.Length”和“ Sepal.Width”进行区分

library(ggplot2)
ggplot(iris,aes(x=Sepal.Length, y=Sepal.Width)) + geom_point(aes(colour=Species))

fig1

从上图中，我们发现根据萼片(sepal)的宽度和长度似乎能够区分出"setosa"和"versicolor","virginica"，但是"versicolor","virginica"不太好分。

让我们再试试花瓣(petal)的长度和宽度。从下图，我们可以发现在这两个属性下，不同品种的鸢尾花似乎有了明显的分界线。

ggplot(iris,aes(x=Petal.Length, y=Petal.Width)) + geom_point(aes(colour=Species))

image

我们可以建立一个模型就是

• 当花瓣长度小于2时就一定是setosa
• 当花瓣的宽度在0.75~1.75之间，花瓣的长度在3~5，则是versicolor,
• 当花瓣的宽度大于1.75时，花瓣的长度大于5，则是virginica

这个模型依旧还不完善，存在一些点难以区分。不过我们还可以以花瓣长度和萼片长度，花瓣宽度和萼片宽度等你能想到的组合进行作图，说不定能找到更好的模型。更好的情况是，如果人类能够想象出一个四维的空间，在这个空间里面同时展现这四个变量，或许就能更加直观的找到规律，可惜，我们目前还没有这种能力

有没有一种方法能够把这种多维数据降维，也就是抓住数据集的主要矛盾呢？当然是有，这个方法就是100多年前，由卡尔·皮尔森提出的 主成分分析，通过将原来众多具有一定相关性的变量，重新组合成一组新的互相无关的综合变量。比如说我们可以将花瓣长度和宽度组合成花瓣的面积，当然实际计算可能更加复杂，你需要看机器学习中的数学(4)-线性判别分析（LDA）, 主成分分析(PCA)。

反正PCA最终的目的就是让原本的数据在降维后方差最大，也就是能把数据分开。我们一般人记住这一点，然后会用软件，能解读结果就好。

R语言能做主成分分析功能很多，比如说prcomp,princomp，principal. 这里用到是prcomp,它使用的是奇异值分解而不是特征值分解，至于这两个有啥区别，其实这不是我关心的，当然你想深入了解到话，建议阅读机器学习中的数学(5)-强大的矩阵奇异值分解(SVD)及其应用。

代码如下：

pca.results <- prcomp(iris[1:4],center = TRUE, retx = T)

prcomp会返回一个列表，里面包含如下内容，你可以用print(pca.results)查看

• sdev: 对应每个主成分的标准偏差，值越大说明解释变异越大。
• rotation: 变量的负荷(loading)矩阵，用于衡量一个变量在各个主成分重要性。
• x: 原矩阵经线性变化后的矩阵（下图不显示，可以用pca.results$x提取)

PCA results

虽然有现成的工具提取pca.results里的数据进行作图，但这样无助于理解，我们需要自己手动提取结果进行作图。

iris_rotate_df <- as.data.frame(pca.results$x[,c("PC1","PC2")])
iris_rotate_df$Species <- iris$Species
p <- ggplot(iris_rotate_df, aes(x=PC1, y=PC2)) + geom_point(aes(colour=Species))
print(p)

PCA plot

这个结果虽然也无法完美地区分出"versicolor"和"virginica"，但是比我们盲目的寻找好多了。这里的主成分是原来的各个变量线性组合结果。

当然我们还有一个问题，各个变量在不同的主成分里的权重是多少？这个就要看负荷矩阵了,也就是Rotation部分。

在PCA中，我们将协方差矩阵分成了标量部分（特征值）和有向部分（特征向量），通过计算特征向量和开方后特征值的乘积，就称之为负荷(loading)

我们发现在PC1里面Petal.Length的绝对值最大，而在PC2里面，Sepal.Width的绝对值最大，于是我们就可以从原来的数据集中提取这两个变量进行作图了。

ggplot(iris,aes(x=Sepal.Width, y=Petal.Length)) + geom_point(aes(colour=Species))

下面的作图直接画图的结果，是不是感觉和上面的PCA图很像。当我手动将其旋转后得到下面的右图，你会发现这和PCA的结果几乎一摸一样。

loading

那么我们如何在图上展示各个变量在各个PC的占比呢？这个就需要画几个箭头了，

p + annotate("segment", x=0,xend=0.35,y=0,yend=-0.65,arrow=arrow()) +
  annotate("text", x=0.35,y=-0.68, label="Sepal.Length") +
  annotate("segment", x=0,xend=-0.08,y=0,yend=-0.73,arrow=arrow()) +
  annotate("text", x=-0.08,y=-0.75, label="Sepal.Width") 

下图中"Septal.Width"朝下，Petal.Length朝右，如果你手动旋转一下，就是差不多是以"Septal.With"为X轴,"Petal.Length"为Y轴的结果了。 所以箭头的朝向不重要，重点是长度。

arrow

当然也有现成的包来完成上图, 不过知道原理后的你应该会解读结果了吧

library(ggord)
ggord(pca.results, iris$Species, size=1.25)

ggord

当然要想真正的理解PCA分析，你还是了解一点线性代数的知识，我建议你把里面的视频都看了https://space.bilibili.com/88461692/#/channel/detail?cid=9450