数学建模之主成分分析

主成分分析(Principal Component Analysis,PCA)，主成分分析是一种 降维算法，它能将多个指标转换为少数几个主成分，这些主成分是原始变量的线性组合，且彼此之间互不相关，其能反映出原始数据的大部分信息。一般来说，当研究的问题涉及到多变量且变量之间存在 很强的相关性时，我们可考虑使用主成分分析的方法来对数据进行 简化

一、目的

主成分分析是把原来多个变量划为少数几个综合指标的一种统计分析方法。从数学角度来看，这是一种降维处理技术

数据降维的优势

1. 使得数据集更易使用；

2. 降低算法的计算开销；

3. 去除噪声；

4. 使得结果容易理解。

二、PCA降维

1.对矩阵进行标准化处理

2.计算标准化样本的协方差矩阵

3.计算R的特征值和特征向量

4.计算主成分贡献率以及累计贡献率

5.写出主成分

6.主成分分析的问题及说明

在主成分分析中，我们首先应保证所提取的前几个主成分的累计贡献率达到一个较高的水平，其次对这些被提取的主成分必须都能够给出符合实际背景和意义的解释。

主成分的解释其含义一般多少带有点模糊性，不像原始变量的含义那么清楚、确切，这是变量降维过程中不得不付出的代价。 因此，提取的主成分个数m通常应明显小于原始变量个数p（除非p本身较小），否则维数降低的“利”可能抵不过主成分含义不如原始变量清楚的“弊”。如果原始变量之间具有较高的相关性，则前面少数几个主成分的累计贡献率通常就能达到一个较高水平，也就是说，此时的累计贡献率通常较易得到满足。

主成分分析的困难之处主要在于要能够给出主成分的较好解释，所提取的主成分中如有一个主成分解释不了，整个主成分分析也就失败了。主成分分析是变量降维的一种重要、常用的方法，简单的说，该方法要应用得成功，一是靠原始变量的合理选取，二是靠“运气”