主成分分析 python实现_PCA主成分分析Python实现

PCA(principle component analysis) 。主成分分析，主要是用来减少数据集的维度，然后挑选出基本的特征。原理简单，实现也简单。关于原理公式的推导，本文不会涉及，你能够參考以下的參考文献，也能够去Wikipedia，这里主要关注实现，算是锻炼一下自己。

本来是在复习LDA的，然后就看到了PCA。就跟着以下这篇文章的步骤，把PCA用python实现了一遍，详细的思想能够參考这篇文章，讲的通俗易懂，主要是有个实例參考，值得拥有！

以下自己来简单的清理下思路！

PCA思想

主要思想：移动坐标轴，将n维特征映射到k维上(k

这k维特征称为主元，是又一次构造出来的k维特征。而不是简单地从n维特征中去除其余n-k维特征。

说到PCA难免会提到LDA(linear discriminate analysis。线性判别分析)，以及FA(factor analysis，因子分析)。关于LDA。打算有时间也用代码实现一遍，以下给出它的主要思想。

LDA思想：最大类间距离，最小类内距离。简而言之，第一，为了实现投影后的两个类别的距离较远。用映射后两个类别的均值差的绝对值来度量。

第二。为了实现投影后，每一个类内部数据点比較聚集。用投影后每一个类别的方差来度量。

三者的描写叙述例如以下

LDA is also closely related to principal component analysis (PCA) and factor analysis in that they both look for linear combinations