canoco5主成分分析步骤_主成分分析原理

点击“蓝字”关注我们吧

主成分分析(principle component analysis，PCA)是经典的降维分析工具之一，在数据挖掘、图像处理、信号分析等众多领域被广泛的研究和应用。PCA最早由现代统计科学的创立者、英国数学家Pearson(1901)针对非随机变量提出，后经Hotelling(1933)推广到随机变量而逐渐完善成熟。PCA的背后有着坚实的数学理论，它将原始变量转换成若干个主成分变量，在损失较少信息的前提下，抓住问题的主要矛盾、简化问题从而提升解决问题的效率。

本期我们主要向大家介绍PCA的基本原理以及在R中实现PCA的方法。

1 引言

早在中学时代，我们就已经接触“数形结合”的思想。在很多实际问题中，我们思考如何处理搜集而来的数据之前，一个朴素的想法便是先通过画图观察数据中是否存在某种规律。比如，下面的图(a)就表示某二变量数据的散点图。

我们之所以将数据对应成图(a)的形式，是因为基于如下的考虑。通常数据中包含很多变量，如健康问题中的血氧浓度、肺活量等，这些变量可以看成是对同一问题(健康)的不同角度的描述。那么，我们自然可以将问题中的各个变量与几何图形中的各个维度(如 )进行一一对应：图形上的点在各个维度的取值等价于原始数据在相应变量上的取值。

这样由原始变量对应的几何维度，我们称之为坐标系。一般情况下，坐标系的各个维度和数据中的原始变量一一对应，每个维度取值得到的交点和数据中的一个观测样本相对应。

如果你明白了上述“数形结合”的思想，那么现在来思考这样一个问题：

“

坐标系的维度是否非要和原始变量一一对应？

也就是说，我们可不可以用其他的维度对相同的数据进行描述刻画，此时数据分析变得更加简单、规律更容易被发现？事实上， 以图(a)为例，我们确实可以找到一个新的坐标系来描述相同的数据，如下所示

我们按照原始变量建立坐标系之后，可以将坐标系的零点 移动到图(b)中的 处，并以 为新的维度来描述数据。在新的坐标系下，数据主要在 方向分布，而 方向则变动不大。换句话说，我们完全可以只用 来描述数据。这样&#