PCA缺点

ref：https://blog.csdn.net/Y_hero/article/details/88797908

1 在对数据完全无知的情况下，PCA变换并不能得到较好的保留数据信息

因为PCA 需要对数据进行预处理，第一步需要对其进行中心化，如果数据的尺度不统一，还需要标准化。通常的标准化方式是除以标准差。这里可能就出现一个问题，比如标准差很小，接近于零，尤其是被噪声污染的数据，噪声的标准差对数据的放大作用更显著，而没被噪声污染的数据其在标准化的过程中放大作用较小。

2 对降维最终得到数目，也就是潜在的隐变量的数目，不能很好地估计。

3 PCA 原理主要是之间的相关性，并且假设这种相关性是线性的，对于非线性的依赖关系则不能得到很好的结果。

使用PCA 进行线性降维后样本间的非线性相关性有可能会丢失。

使用PCA 进行线性降维后样本间的非线性相关性有可能会丢失。

判断是否是线性降维后样本间的非线性相关性有可能会丢失

判断是否是线性降维过程可以用一个线性变换表示决定。pca 降维的过程可以通过数据乘以一个矩阵表示，因此就是一个朴素的线性变换。

4 pca 假设变量服从高斯分布，当变量不服从高斯分布（如均匀分布）时，会发生尺度缩放与旋转。