PCA là gì? Giải thích Principal Component Analysis (PCA)

PCA (Principal Component Analysis) là một phương pháp giúp giảm số chiều của tập dữ liệu mà vẫn giữ lại những thông tin quan trọng nhất. Vậy phương pháp này hoạt động như thế nào và có những ứng dụng nào trong thực tế? Hãy cùng Luận Văn 1080 tìm hiểu chi tiết qua bài viết dưới đây.

1. PCA là gì?

Khi một bộ dữ liệu có quá nhiều biến, việc phân tích toàn bộ dữ liệu có thể trở nên nặng nề và khó nhìn ra những thông tin quan trọng. PCA (Principal Component Analysis – Phân tích thành phần chính) được sử dụng để giải quyết vấn đề này bằng cách chuyển đổi dữ liệu ban đầu sang một hệ trục mới gồm các thành phần chính (Principal Components), từ đó giảm số chiều nhưng vẫn cố gắng bảo toàn phần lớn sự biến thiên của dữ liệu.

1.1. Định nghĩa PCA

Principal Component Analysis (PCA) là một kỹ thuật giảm chiều dữ liệu tuyến tính, trong đó các biến ban đầu được biến đổi thành một tập hợp các thành phần chính mới. Mỗi thành phần chính là một tổ hợp tuyến tính của các biến gốc và được sắp xếp theo mức độ biến thiên mà nó giải thích trong dữ liệu. Thành phần đầu tiên thường chứa lượng thông tin biến thiên lớn nhất, tiếp đến là thành phần thứ hai, thứ ba và các thành phần sau.

Điểm quan trọng là PCA không đơn giản chọn ra một vài biến ban đầu. Thay vào đó, phương pháp này tạo ra các biến mới bằng cách kết hợp các biến gốc theo những trọng số nhất định. Vì vậy, nếu dữ liệu ban đầu có p biến, PCA có thể tạo ra tối đa p thành phần chính. Tuy nhiên, thông thường người phân tích chỉ giữ lại một số thành phần đầu tiên nếu chúng đã giải thích được phần lớn phương sai của dữ liệu.

Ví dụ: Một bộ dữ liệu về khách hàng có 10 biến như tuổi, thu nhập, số lần mua hàng, giá trị đơn hàng, tần suất truy cập website… PCA có thể biến 10 biến này thành một số thành phần chính ít hơn. Nếu chỉ giữ lại 2–3 thành phần nhưng vẫn giải thích được phần lớn biến thiên của dữ liệu, tập dữ liệu sau biến đổi sẽ đơn giản hơn đáng kể.

Định nghĩa PCA

1.2. Vì sao cần sử dụng PCA?

PCA được sử dụng chủ yếu khi dữ liệu có nhiều biến hoặc nhiều đặc trưng, khiến quá trình phân tích, trực quan hóa và xây dựng mô hình trở nên phức tạp. Một số lý do phổ biến mà bạn nên sử dụng PCA gồm:

• Giảm số chiều dữ liệu: Thay vì phải xử lý hàng chục hoặc hàng trăm biến, bạn có thể giữ lại một số thành phần chính có khả năng giải thích phần lớn phương sai. Điều này giúp dữ liệu trở nên gọn và dễ xử lý hơn.
• Đơn giản hóa quá trình phân tích: Khi số lượng biến giảm, việc khám phá và diễn giải cấu trúc dữ liệu có thể trở nên thuận tiện hơn, đặc biệt với những tập dữ liệu có nhiều biến tương quan. 
• Hỗ trợ trực quan hóa dữ liệu: PCA có thể chuyển dữ liệu nhiều chiều về 2 hoặc 3 thành phần chính để biểu diễn trên biểu đồ, từ đó việc quan sát xu hướng, cấu trúc hoặc các nhóm điểm dữ liệu rõ ràng hơn. 
• Giảm sự dư thừa giữa các biến: Các thành phần chính được xây dựng theo những hướng mới và các thành phần chính khác nhau không tương quan tuyến tính với nhau. Điều này giúp cho việc biểu diễn dữ liệu theo một hệ tọa độ mới cô đọng hơn.

2. Các bước phân tích PCA

PCA hoạt động bằng cách biến đổi dữ liệu nhiều chiều sang một hệ tọa độ mới, trong đó các thành phần chính được sắp xếp theo mức độ biến thiên mà chúng giải thích. Nhờ đó, có thể giữ lại những thông tin quan trọng nhất và loại bỏ bớt các chiều dữ liệu ít đóng góp.

Các bước thực hiện phân tích PCA có thể hiểu như sau:

Bước 1: Chuẩn hóa dữ liệu

Trước khi thực hiện PCA, dữ liệu cần được kiểm tra và xử lý để các biến có thể được so sánh phù hợp. Đặc biệt, khi các biến có đơn vị đo hoặc thang đo khác nhau, dữ liệu sẽ được đưa về cùng một thang đo.

Ví dụ: Một bộ dữ liệu có biến thu nhập được tính bằng triệu đồng và biến tuổi được tính bằng năm. Nếu giữ nguyên thang đo, biến thu nhập có thể chi phối kết quả PCA do độ lớn số liệu khác biệt đáng kể.

Bước 2: Tính ma trận hiệp phương sai

Sau khi chuẩn bị dữ liệu, PCA xác định mối quan hệ giữa các biến thông qua ma trận hiệp phương sai (covariance matrix).

Ma trận này cho biết các biến thay đổi cùng nhau như thế nào:

• Hiệp phương sai dương: hai biến có xu hướng tăng hoặc giảm cùng chiều.
• Hiệp phương sai âm: một biến tăng khi biến còn lại có xu hướng giảm.
• Hiệp phương sai gần 0: mối quan hệ tuyến tính giữa hai biến tương đối yếu.

Bước 3: Xác định vectơ riêng và giá trị riêng

Tiếp theo, PCA thực hiện phân rã ma trận để tìm vectơ riêng (eigenvector) và giá trị riêng (eigenvalue).

• Vectơ riêng: xác định hướng của các thành phần chính.
• Giá trị riêng: cho biết lượng phương sai mà mỗi thành phần chính giải thích.

Giá trị riêng càng lớn thì thành phần tương ứng càng chứa nhiều thông tin. 

Bước 4: Xác định các thành phần chính

Các vectơ riêng được sắp xếp theo giá trị riêng từ lớn đến nhỏ để tạo thành các thành phần chính (Principal Components – PC). Trong đó:

• PC1 là hướng có mức biến thiên lớn nhất.
• PC2 là hướng có mức biến thiên lớn tiếp theo và vuông góc với PC1.
• Các PC tiếp theo được xác định theo nguyên tắc tương tự.

Ví dụ: Nếu dữ liệu ban đầu có 5 biến, PCA có thể tạo ra tối đa 5 thành phần chính: PC1 → PC2 → PC3 → PC4 → PC5

Bước 5: Chọn thành phần và giảm chiều dữ liệu

Thay vì giữ toàn bộ các thành phần, PCA chỉ giữ lại những thành phần giải thích được phần lớn phương sai. 

Ví dụ: Chẳng hạn, nếu kết quả PCA cho thấy:

Hai thành phần đầu tiên đã giải thích 80% tổng phương sai. Trong trường hợp này, bạn có thể giữ PC1 và PC2 thay vì tiếp tục sử dụng cả 5 biến ban đầu.

Bước 6: Biến đổi dữ liệu sang không gian mới

Cuối cùng, dữ liệu ban đầu được chiếu lên các thành phần chính đã lựa chọn để tạo thành tập dữ liệu mới.

Điểm đáng lưu ý là các thành phần chính không phải là một số biến được chọn từ dữ liệu ban đầu, mà là một tổ hợp tuyến tính của các biến gốc với những trọng số khác nhau.

Các bước phân tích PCA

3. Ưu điểm và nhược điểm của PCA

PCA mang lại nhiều lợi ích khi xử lý các tập dữ liệu có số lượng biến lớn, đặc biệt trong giảm chiều dữ liệu, trực quan hóa và tiền xử lý cho mô hình học máy. Tuy nhiên, phương pháp này cũng có những hạn chế nhất định. Hiểu rõ cả ưu điểm và nhược điểm sẽ giúp bạn biết khi nào PCA thực sự phù hợp với dữ liệu của mình.

Ưu điểm của PCA

• Giảm số chiều dữ liệu: PCA chuyển nhiều biến ban đầu thành một số lượng nhỏ hơn các thành phần chính nhưng vẫn cố gắng giữ lại phần lớn phương sai của dữ liệu. Nhờ đó, tập dữ liệu trở nên gọn và dễ xử lý hơn.
• Giảm đa cộng tuyến: Các thành phần chính được tạo ra theo những hướng không tương quan tuyến tính với nhau. Vì vậy, PCA có thể hữu ích khi dữ liệu ban đầu chứa nhiều biến có mối tương quan cao.
• Hỗ trợ giảm nhiễu: Những thành phần có mức phương sai rất thấp có thể được loại bỏ khi thực hiện giảm chiều. Điều này giúp tập trung vào những hướng chứa nhiều biến thiên hơn trong dữ liệu.
• Tăng hiệu quả xử lý: Khi số lượng đặc trưng giảm, các bước phân tích hoặc huấn luyện mô hình phía sau có thể cần ít tài nguyên và thời gian hơn.
• Hỗ trợ trực quan hóa: PCA có thể đưa dữ liệu nhiều chiều về 2 hoặc 3 thành phần chính để biểu diễn trên biểu đồ, giúp quan sát xu hướng, cấu trúc hoặc sự phân nhóm của dữ liệu dễ dàng hơn.
• Hỗ trợ phát hiện điểm bất thường: Khi dữ liệu được biểu diễn trong không gian thành phần chính, những quan sát nằm lệch đáng kể so với phần còn lại có thể được xem xét để phát hiện các điểm bất thường.

Nhược điểm của PCA

• Khó diễn giải các thành phần chính: Thành phần chính không phải là một biến gốc mà là tổ hợp tuyến tính của nhiều biến. Vì vậy, việc giải thích ý nghĩa cụ thể của từng thành phần đôi khi không đơn giản.
• Nhạy cảm với thang đo: PCA dựa trên phương sai nên các biến có độ lớn hoặc đơn vị đo khác nhau có thể ảnh hưởng đáng kể đến kết quả. Do đó, việc chuẩn hóa dữ liệu thường cần được cân nhắc trước khi phân tích.
• Có thể làm mất thông tin: Khi chỉ giữ lại một số thành phần chính, phần phương sai được giải thích bởi các thành phần bị loại bỏ cũng sẽ không còn trong dữ liệu mới. Nếu lựa chọn quá ít thành phần, thông tin quan trọng có thể bị mất.
• Chủ yếu phản ánh quan hệ tuyến tính: PCA tìm kiếm những hướng tuyến tính có phương sai lớn nhất. Vì vậy, phương pháp này có thể không thể hiện đầy đủ cấu trúc phức tạp của dữ liệu có quan hệ phi tuyến.
• Có thể tốn tài nguyên với dữ liệu lớn: Việc tính toán ma trận và thực hiện phân rã có thể trở nên đáng kể khi số lượng biến hoặc kích thước dữ liệu rất lớn.
• Không phải lúc nào cũng cải thiện mô hình: PCA là phương pháp giảm chiều không giám sát, tập trung vào việc giữ phương sai của dữ liệu chứ không trực tiếp tối ưu cho biến mục tiêu. Vì vậy, việc giảm chiều không đồng nghĩa chắc chắn với việc mô hình dự đoán sẽ tốt hơn.

Ưu điểm và nhược điểm của PCA

4. Ứng dụng của PCA trong nghiên cứu và khoa học dữ liệu

PCA được sử dụng rộng rãi trong phân tích dữ liệu, nghiên cứu và học máy nhờ khả năng giảm số chiều, giữ lại thông tin quan trọng và đơn giản hóa những tập dữ liệu phức tạp. Một số ứng dụng phổ biến của PCA gồm:

• Giảm chiều và trực quan hóa dữ liệu: PCA giúp chuyển dữ liệu nhiều chiều thành 2 hoặc 3 thành phần chính để biểu diễn trên biểu đồ. Nhờ đó, nhà nghiên cứu dễ nhận diện xu hướng, nhóm dữ liệu, mối quan hệ và các điểm bất thường.
• Nén dữ liệu và hình ảnh: PCA có thể giảm số lượng đặc trưng của dữ liệu hình ảnh nhưng vẫn giữ lại những thông tin quan trọng. Điều này giúp giảm dung lượng lưu trữ và hỗ trợ truyền tải dữ liệu hiệu quả hơn.
• Lọc nhiễu và thông tin dư thừa: Bằng cách tập trung vào các thành phần giải thích phần lớn phương sai, PCA có thể loại bỏ một số thành phần ít đóng góp. Nhờ đó, dữ liệu sau xử lý trở nên gọn và tập trung hơn vào những đặc trưng chính. Tuy nhiên, không nên mặc định rằng mọi thành phần có phương sai thấp đều là nhiễu; việc loại bỏ cần dựa trên mục tiêu và đặc điểm của dữ liệu.
• Tiền xử lý cho mô hình học máy: PCA thường được sử dụng trước các mô hình hồi quy, phân loại hoặc phân cụm để giảm số lượng đặc trưng đầu vào. Các thành phần chính sau PCA có thể thay thế cho nhiều biến ban đầu, giúp dữ liệu dễ xử lý hơn.
• Ứng dụng trong nghiên cứu y tế: Trong lĩnh vực y tế, PCA có thể hỗ trợ phân tích những bộ dữ liệu chứa nhiều đặc trưng. Chẳng hạn, trong nghiên cứu dự đoán ung thư vú, PCA có thể được sử dụng để giảm chiều dữ liệu trước khi kết hợp với hồi quy logistic nhằm phân loại kết quả.

Ứng dụng của PCA trong nghiên cứu và khoa học dữ liệu

Hy vọng qua bài viết trên, bạn đã hiểu rõ PCA là gì và nắm được những kiến thức cơ bản về Principal Component Analysis – từ nguyên lý hoạt động, các bước thực hiện đến ưu nhược điểm và ứng dụng trong nghiên cứu, khoa học dữ liệu. Đây sẽ là một công cụ hữu ích giúp đơn giản hóa các tập dữ liệu phức tạp và giúp quá trình phân tích của bạn hiệu quả hơn.

Nguồn tham khảo:

• https://limswiki.org/index.php/Principal_component_analysis
• https://www.ibm.com/think/topics/principal-component-analysis