pca主成分分析结果解释_【PCA】主成分分析介绍

进行数据分析时，原始数据通常多而杂，直接用并非一个好做法，往往费力不讨好。

通常可以使用数据降维的方法处理数据，然后再进行下一步。主成分分析（PCA）就是一个常用的降维方法。

概念

主成分分析（Principal Component Analysis，PCA）是一种统计方法，通过正交变换将一组存在相关性的变量转换为一组线性无关的变量，转换后的这组变量就是主成分。

转换后的变量个数一般小于转换前，这就起到了降维、去噪的作用。此外主成分分析还可以用作加密，因为转换之前的变量都是有具体意义的，转换以后的变量没有意义，起到了隐藏信息的目的。

PCA不仅是机器学习领域的概念，还是统计学领域的概念。

样本分布图

举个最简单的例子，有如上图的样本，每个样本都是一个二维变量。可以看出样本的x坐标和y坐标是存在一定正相关的。

将坐标轴变为蓝色和黄色直线，重新计算x坐标和y坐标，则新的x坐标和y坐标的相关性就不存在了。这就是主成分分析的过程，变换坐标系的过程就是所说的正交变换，新的坐标系必须正交。

主成分分析的具体实现，有特征值分解、奇异值分解、梯度下降等方法，本文说一下最常用的特征值分解。

变换过