主成分分析碎石图_主成分分析(PCA)原理及R语言实现及分析实例

原文链接：

主成分分析(PCA)原理及R语言实现及分析实例​tecdat.cn

主成分分析（PCA）是一种数据降维技巧，它能将大量相关变量转化为一组很少的不相关变量，这些无关变量称为主成分。例如，使用PCA可将30个相关（很可能冗余）的环境变量转化为5个无关的成分变量，并且尽可能地保留原始数据集的信息。

​

主成分分析模型，变量（X1到X5）映射为主成分（PC1,PC2）

PCA分析的一般步骤

1. 数据预处理。PCA根据变量间的相关性来推导结果。用户可以输入原始数据矩阵或者相关系数矩阵到principal()和fa()函数中进行计算，在计算前请确保数据中没有缺失值。
2. 判断要选择的主成分数目（这里不涉及因子分析）。
3. 选择主成分（这里不涉及旋转）。
4. 解释结果。
5. 计算主成分得分。

PCA的