协方差矩阵与散度矩阵的意义

在机器学习模式识别中，经常需要应用到协方差矩阵C和散度矩阵S。如在PCA(Principal Component Analysis)主成分分析中，需要计算样本的散度矩阵，有的论文是计算协方差矩阵。实质上两者意义差不多，散度矩阵乘以1/(n-1)就可以得到协方差矩阵了。

在模式识别中，散度矩阵也称为散步矩阵，有的也称为类内离散度矩阵或者类内离差阵，用一个等式关系可表示为：

散度矩阵=类内离散度矩阵=类内离差阵=协方差矩阵 × (n-1)

样本的协方差矩阵乘以n-1倍等于散度矩阵，其中n表示样本个数，散度矩阵的大小由特征维数d决定，是一个d×d的半正定矩阵。

一、协方差矩阵基础

对于二维随机变量（X，Y）之间的相互关系的数字特征，我们用协方差来描述，记为Cov（X，Y）：

$Cov(X,Y)=E\left \{ [X-E(X)][Y-E(Y)]\right \}=E(XY)-E(X)E(Y)$Cov(X,Y)=E{[X−E(X)][Y−E(Y)]}=E(XY)−E(X)E(Y)

$Cov(X,Y)=\frac{1}{n-1}\sum _{i=1}^{n}(x-\bar{X})(y-\bar{Y})$Cov(X,Y)=n−11​∑i=1n​(x−Xˉ)(y−Yˉ)

那么二维随机变量（X，Y）的协方差矩阵为：

$C_{2\times 2}=\begin{pmatrix} C_{1\times 1} &C_{1\times 2} \\ C_{2\times 1} & C_{2\times 2} \end{pmatrix}=\begin{pmatrix} Cov(X,X) &Cov(X,Y) \\ Cov(Y,X)& Cov(Y,Y) \end{pmatrix}$C2×2​=(C1×1​C2×1​​C1×2​C2×2​​)=(Cov(X,X)Cov(Y,X)​Cov(X,Y)Cov(Y,Y)​)

同理，对于三维随机变量（X，Y，Z）的协方差矩阵可表示为：

对于n维$X=(X_{1},X_{2},...,X_{n})$X=(X1​,X2​,...,Xn​)协方差矩阵：

说明：

1. 协方差矩阵是一个对称矩阵，且是半正定矩阵，主对角线是各个随机变量的方差（各个特征维度上的方差）
2. 标准差和方差一般是用来描述一维数据的；对于多维情况，协方差是用于描述任意二维数据之间的关系（即两个特征之间的关系），一般用协方差矩阵来表示。因此协方差矩阵计算的是不同维度（不同特征）之间的协方差，而不是不同样本之间的。
3. 协方差计算过程可简述为：先求各个分量的均值$E(X_{i}),E(X_{j})$E(Xi​),E(Xj​),然后每个分量减去各自的均值得到两条向量，再进行内积运算，然后求内积后的总和，最后除以n-1.

二、协方差矩阵的意义

为了更好的理解协方差矩阵的几何意义，下面以二维正态分布图为例（假设样本服从二维正态分布）：

协方差矩阵C的特征值D与特征向量V分别为：

说明：

1. 均值[0,0]代表正态分布的中心点，方差代表其分布的形状。
2. 协方差矩阵C的最大特征值D对应的特征向量V指向样本分布的主轴方向。例如，最大特征值$D_{1}=5$D1​=5，其对应的特征向量$V_{1}=[1,0]^{T}$V1​=[1,0]T即为样本分布的主轴方向（一般认为是数据的传播方向）。次大特征值$D_{2}=1$D2​=1所对应的特征向量$V_{2}=[0,1]^{T}$V2​=[0,1]T即为样本分布的短轴方向。

总之：

1. 样本均值决定样本分布中心点的位置
2. 协方差矩阵决定样本分布的扁圆程度
   • 是扁还是圆，由协方差矩阵的特征值决定：当特征值D1和D2的比值为1（D1/D2=1）,则样本分布形状为圆形；当特征值的比值不为1时，样本分布为扁形。
   • 偏向方向（数据传播方向）由特征向量决定。最大特征值对应的特征向量，总是指向数据最大方差的方向（椭圆形的主轴方向）。次大特征向量总是正交于最大特征向量（椭圆形的短轴方向）。

三、协方差矩阵的应用

协方差矩阵（散布矩阵）在模式识别中应用广泛，最典型的应用是PCA主成分分析了，PCA主要用于降维，其意义就是将样本数据从高维空间投影到低维空间中，并尽可能的在低维空间中表示原始数据。这就需要找到一组最合适的投影方向，使得样本数据往低维投影后，能尽可能表征原始的数据。此时就需要样本的协方差矩阵。PCA算法就是求出这堆样本数据的协方差矩阵的特征值和特征向量，而协方差矩阵的特征向量的方向就是PCA需要投影的方向!