PCA（主成分分析）是一种数据降维技术，用于简化数据集并保留方差贡献最大的特征。通过实例解释，PCA通过计算数据点到直线（主成分PC1）的最小距离和最大距离，找到最佳匹配。PCA的特征值、奇异值和特征向量描述了主成分的性质。PC1和PC2解释了数据的大部分变异度，可用于绘制降维后的图像。在降维前，需要对数据进行标准化处理。主成分数等于变量或样本数较小者，但不超过特征值大于0的PC数。
PCA原理简介
为什么要用PCA?
维基百科介绍：主成分分析(英语：Principal components analysis，PCA)是一种分析、简化数据集的技术。主成分分析经常用于减少数据集的维数，同时保持数据集中的对方差贡献最大的特征。
说了和没说一样……我们还是通过一个简单的案例引出PCA的作用吧。
如果我们在6个小鼠样本中检测一个基因Gene1的表达
我们很容易看出来，基因Gene1在小鼠1-3中表达比较相似，而在小鼠4-6中表达比较相似
如果同时检测两个基因
我们可以将不同小鼠样本标记在二维坐标轴中，并且看出小鼠1-3的整体表达比较相似，而小鼠4-6的整体表达比较相似
将基因数目扩增到3个时候，我们依然可以通过三维坐标轴标记出不同样本的分布
但是如果将基因数目增加到4个或4个以上时候，很难继续增加坐标轴的维度来绘图(思维空间已经超出一般人的认知了)。
所以我们可以通过PCA的降维方法来处理这种4维或者多维数据，将其绘制为二维图像来比较不同样本之间的关系。
PCA原理
PCA是如果进行降维的呢？
PC1计算原理
首先我们只检测6个不同小鼠的2个基因，那么我们可以分别计算出所有小鼠Gene1和Gene2的平均值(
最低0.47元/天 解锁文章
扫一扫
3829
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
