证明立方和与和的平方关系

1. 基础情况：验证公式对第一个自然数 n=1 成立。
   • 1³ = 1
   • (1)² = 1
   • 两边相等，成立。
2. 归纳步骤：假设公式对 n=k 成立，证明它对 n=k+1 也成立。
   • 假设：1³ + 2³ + ... + k³ = (1 + 2 + ... + k)²
   • 要证：1³ + 2³ + ... + k³ + (k+1)³ = (1 + 2 + ... + k + (k+1))²
   • 通过代数变形，可以证明等式两边相等。

证明步骤

1. 基础情况验证 (n=1)
   • 左边：1³ = 1
   • 右边：(1)² = 1
   • 左边 = 右边，公式成立
2. 归纳假设
   • 假设当 n=k 时公式成立，即：
   • 1³ + 2³ + ... + k³ = (1 + 2 + ... + k)²
3. 归纳递推 (证明 n=k+1 时成立)
   • 我们需要证明：1³ + 2³ + ... + k³ + (k+1)³ = (1 + 2 + ... + k + (k+1))²
   • 左边变形：
     • 1³ + 2³ + ... + k³ + (k+1)³
     • = (1 + 2 + ... + k)² + (k+1)³ (根据归纳假设)
     • = [k (k+1)/2]² + (k+1)³ (等差数列求和公式)
     • = k²(k+1)²/4 + (k+1)³
     • = (k+1)² [k²/4 + (k+1)] (提取公因式 (k+1)²)
     • = (k+1)² [ (k² + 4k + 4) / 4 ]
     • = (k+1)² (k+2)² / 4
     • = [(k+1)(k+2)/2]²
   • 右边变形：
     • (1 + 2 + ... + k + (k+1))²
     • = [(k+1)(k+2)/2]² (等差数列求和公式)
   • 结论：左边 = 右边，因此当 n=k+1 时公式也成立

• 简化计算：它提供了一个捷径。如果你需要计算从 1 到 n 的所有自然数的立方和，直接用这个公式比一个个去算要快得多。例如，计算 1³+2³+…+100³，只需先算 1+2+…+100=5050，再平方就得到 25,502,500。
• 理论价值：在数学上，它是一个经典的恒等式，经常被用作更复杂数学证明的基础或例题。它也是数学归纳法应用的绝佳范例，帮助学习者理解这一重要的证明思想。
• 应用广泛：在物理、工程和计算机科学中，计算连续数值的高次幂和是常见问题。这个公式可以优化算法，提高计算效率。

• 1⁴ + 2⁴ = 1 + 16 = 17

• (1 + 2)² = 3² = 9

• 1 次方求和 (等差数列)
  • 1 + 2 + 3 + ... + n = n(n+1) / 2
• 2 次方求和
  • 1² + 2² + 3² + ... + n² = n(n+1)(2n+1) / 6
• 3 次方求和 (就是我们讨论的这个)
  • 1³ + 2³ + 3³ + ... + n³ = [n(n+1) / 2]²
• 4 次方求和
  • 1⁴ + 2⁴ + 3⁴ + ... + n⁴ = n(n+1)(2n+1)(3n²+3n-1) / 30

通用方法的思路

1. 找到递推关系：我们利用 (k+1)^(m+1) - k^(m+1) 这个式子展开。

   展开后，它会包含从 k^m 到 k^0 的各种低次项。
2. 求和与抵消：把上式从 k=1 到 k=n 全部加起来。

   左边大部分项会正负抵消，变成 (n+1)^(m+1) - 1。

   右边则变成高次幂求和与低次幂求和的组合。
3. 求解目标和：把等式变形，把我们要求的那个最高次幂求和项单独放在一边。

   它等于一个已知值减去一串我们已经会算的低次幂求和。

用 2 次方求和举例

1. 取 m=2，考虑 (k+1)^3 - k^3，展开得 3k² + 3k + 1。
2. 对 k 从 1 到 n 求和：
   • 左边：(2³ - 1³) + (3³ - 2³) + ... + ((n+1)³ - n³) = (n+1)³ - 1
   • 右边：3(1² + 2² + ... + n²) + 3(1 + 2 + ... + n) + n = 3S(n) + 3*(n(n+1)/2) + n
3. 联立等式求解 S (n)：
   • (n+1)³ - 1 = 3S(n) + 3n(n+1)/2 + n
   • 解出 S(n) = n(n+1)(2n+1)/6

• 当你有一个包含很多变量的高维数据集时，它能帮你找到最重要的几个 “主成分”。
• 这些主成分是原有变量的线性组合，但数量比原来少得多。
• 通过只保留这些主成分，你就实现了在损失很少信息的前提下，对高维数据进行 “降维”。
• 这让后续的计算和分析变得高效可行。

PCA 在人脸识别中的应用

1. 数据收集：收集大量人脸照片作为训练数据。
2. 寻找主成分：PCA 分析所有照片，找出变化最明显的特征。
   比如眼睛间距、鼻子高低、颧骨轮廓等。这些特征被称为 “特征脸”。
3. 降维表示：用少数几个最重要的 “特征脸” 来组合表示一张人脸。
   例如，用 50 个特征脸替代原来的 10000 个像素点。
4. 高效识别：识别新面孔时，只需比较它在这 50 个特征上的数值。
   计算量大大减少，速度更快。

• 数据可视化：把高维数据压缩到 2D 或 3D，方便我们用图表观察。
• 去除噪声：通过保留主要信息，过滤掉数据中的干扰和噪声。
• 推荐系统：分析用户的大量行为数据，找出关键偏好，进行精准推荐。

# 导入必要的库
import numpy as np
import matplotlib.pyplot as plt
from sklearn.datasets import load_iris
from sklearn.decomposition import PCA

# 1. 加载数据
# 鸢尾花数据集有 4 个特征（花瓣长度、宽度等）
data = load_iris()
X = data.data  # 形状为 (150, 4)，150 个样本，每个样本 4 个特征
y = data.target  # 标签，用于绘图时区分不同种类的花

# 2. 创建并训练 PCA 模型
# n_components=2 表示我们希望降到 2 维
pca = PCA(n_components=2)
X_pca = pca.fit_transform(X)  # 对数据进行降维

# 3. 查看结果
print("原始数据形状:", X.shape)
print("降维后数据形状:", X_pca.shape)

# 4. 可视化降维后的数据
plt.figure(figsize=(8, 6))
plt.scatter(X_pca[:, 0], X_pca[:, 1], c=y, cmap='viridis', edgecolor='k')
plt.xlabel('主成分 1')
plt.ylabel('主成分 2')
plt.title('PCA 降维：鸢尾花数据集 (4D -> 2D)')
plt.colorbar(label='花的种类')
plt.show()

代码解释

1. 数据加载：我们加载了鸢尾花数据集，它原本有 4 个特征。
2. PCA 训练：创建 PCA 模型并指定降到 2 维。fit_transform 完成训练和降维。
3. 结果查看：可以看到数据从 150x4 变为 150x2，成功从 4 维降到 2 维。
4. 可视化：降维后的数据可以在平面上画出散点图，不同颜色代表不同种类的花。

手动实现 PCA 的关键步骤

步骤 1: 数据中心化

• 特征 x1 的均值: (1+2+3)/3 = 2
• 特征 x2 的均值: (2+3+4)/3 = 3
• 中心化后的数据矩阵 Z: [[-1, -1], [0, 0], [1, 1]]

步骤 2: 计算协方差矩阵

• 协方差矩阵 C = (Zᵀ × Z) / (样本数 - 1)
• Zᵀ 是 Z 的转置矩阵
• 计算结果: C = [[1, 1], [1, 1]]

步骤 3: 特征值分解

• 特征值表示数据在对应特征向量方向上的方差大小
• 特征向量表示方差最大的方向
• 对于 C = [[1, 1], [1, 1]]，计算得到：
  • 特征值 λ₁ = 2，对应的特征向量 v₁ = [1/√2, 1/√2]
  • 特征值 λ₂ = 0，对应的特征向量 v₂ = [-1/√2, 1/√2]

步骤 4: 选择主成分

• 我们要降到 1 维，所以选择特征值最大的 v₁
• 这个特征向量构成了一个新的 1 维空间

步骤 5: 数据投影

• 降维后的数据 = Z × v₁
• 结果为: [-√2, 0, √2]

1. 构造矩阵 C - λI：

   C - λI = [[1-λ, 1], [1, 1-λ]]
2. 计算它的行列式并令其等于 0：

   det([[1-λ, 1], [1, 1-λ]]) = 0

   (1-λ)(1-λ) - 1×1 = 0
3. 展开并化简方程：

   1 - 2λ + λ² - 1 = 0

   λ² - 2λ = 0

   λ(λ - 2) = 0
4. 求解得到特征值：

   λ₁ = 0 和 λ₂ = 2

高效计算方法

实际应用方式

• 幂迭代法：特别擅长找出绝对值最大的那个特征值和对应的特征向量。

  这正好是 PCA 最关心的第一个主成分。
• QR 算法：更强大，可以一次性求出矩阵的所有特征值。

  是目前求解中小型矩阵全部特征值的标准算法。