1.将空间中的数据集X变换坐标系以找到合适的特征空间,即乘以一个特征空间空间矩阵V*
2.在合适的特征空间中以乘以对角矩阵(单位矩阵)∑的方式进行数据的降维(在合适的特征空间中数据集矩阵除对角数据外的数据都很小,可以均视为0,即降维)
3.将降维后的数据还原到原来的空间,即乘以特征空间矩阵的逆U,实现类似于微积分的方法,将数据放到合适的空间中进行降维压缩再还原到原来的空间,降维不会丢失数据但压缩会,因为不一定能找到绝对的特征空间以精确降维成对角矩阵,故取近似并压缩以省略掉对角外的数据,从而达到近似降维,找到的特征空间也是近似的特征空间
4.得到的近似的特征空间为分析后的重点
ps:如果不进行压缩,那么原数据集只进行成分分析而不是”主“成分分析,原数据空间值X不会变为图中右上角的依据主成分即保留矩阵对角线数据的降维压缩结果,而是不变(即图中M值为1)