PCA求解其实是寻找最佳投影方向，即多个方向的标准正交基构成一个超平面。

理论思想：在高维空间中，我们实际上是要找到一个d维超平面，使得数据点到这个超平面的距离平方和最小

假设(x_k)表示p维空间的k个点，(z_k)表示(x_k)在超平面D上的投影向量，(W = {w_1,w_2,...,w_d})为D维空间的标准正交基，即PCA最小平方误差理论转换为如下优化问题$$z_k = sum_{i=1}^d (w_i^T x_k)w_i---(1)$$

[argmin sum_{i=1}^k||x_k - z_k||_2^2 ]

[s.t. w_i^Tw_j = p(当i==j时p=1,否则p=0) ]

注：(w_i^Tx_k)为x_k在w_i基向量的投影长度，(w_i^Tx_kw_i)为w_i基向量的坐标值

求解：

(L = (x_k - z_k)^T(x_k-z_k))

(L= x_k^Tx_k - x_k^Tz_k - z_k^Tx_k + z_k^Tz_k)

由于向量内积性质(x_k^Tz_k = z_k^Tx_k)

(L = x_k^Tx_k - 2x_k^Tz_k + z_k^Tz_k)

将(1)带入得$$x_k^Tz_k = sum_{i=1}^dw_i^Tx_kx_k^Tw_i$$

[z_k^Tz_k = sum_{i=1}^dsum_{j=1}^d(w_i^Tx_kw_i)^T(w_j^Tx_kw_j) ]

根据约束条件s.t.得$$z_k^Tz_k = sum_{i=1}^dw_i^Tx_k^Tx_kw_i$$

[L =x_k^Tx_k - sum_{i=1}^dw_i^Tx_kx_k^Tw_i ]

根据奇异值分解$$sum_{i=1}^dw_i^Tx_kx_k^Tw_i = tr(W^Tx_k^Tx_kW)$$

[L =argminsum_{i=1}^kx_k^Tx_k - tr(W^Tx_k^Tx_kW) = argminsum_{i=1}^k- tr(W^Tx_k^Tx_kW) + C ]

等价于带约束得优化问题：$$argmaxtr(W^TXX^TW)$$

[s.t. W^TW = I ]

最佳超平面W与最大方差法求解的最佳投影方向一致，即协方差矩阵的最大特征值所对应的特征向量，差别仅是协方差矩阵(xi)的一个倍数

定理

[argminphi(W,Z|X) = tr((X-W^TZ)^T(X-W^TZ)) = ||X-W^TZ||_F^2 ]

[s.t.W^TW=I_q ]

注：X为(n,p),Z为(n,q),q < p,w为(p,q)

该定理表达的意思也就是平方差理论，将降维后的矩阵通过W^T投影回去，再与X计算最小平方差，值越小说明信息损失越少

(phi)目标函数最小时，W为X的前q个特征向量矩阵且(Z=W^TX)

以上优化可以通过拉格朗日对偶问题求得，最终也会得到$$argmaxtr(W^TXX^TW)$$

[s.t. W^TW = I ]