PCA 分解的基本推导和计算方法

PCA是数据降维的一种方法，其目标是找到数据分布方差最大的方向，并将数据向该方向投影并保持投影后恢复数据的残差最小。即找到e和a，使得x的估计值x‘=m+e*a与x残差最小。注意，这里e为一个方向向量（非矩阵），且限定e的模为1（否则a和e不唯一）。

PCA的推导，通过最优化x-x’的均方误差最小，得到a=T(e）*（x-m）。

进一步，将均方误差表示为e的表达式，并在e的模为1的约束下相对e最优化均方误差。

可以推导得到e的最优解需要满足S*e=lamabda*e，从而e转为为求矩阵的特征值和特征向量问题。而S阵为x的散度矩阵，存在S=X*X‘，X为输入特征减去均值向量组成的矩阵。

由于X存在奇异值分解，即X=U*D*T(V），则S=U*D*D*T(U）。

对于特征值和特征向量，存在S=E*D2*T（E），从而可知，存在E=U，D2=D*D。

需要注意，是对X做奇异值分解，而不是对S做。

当然，也可以通过对S求解特征值和特征向量得到投影矩阵。

参考自Duda的模式识别。