matlab主成分分析法代码_生信审稿人最常问的验证！临床预测模型中的PCA主成分分析！这点你注意到了没！（附代码）...

机器学习模型构建之四：主成分分析

大家好，我是阿琛。前面，我们介绍了三大经典模型，分别是LASSO模型，随机森林模型和支持向量机模型的构建。然而，在高维度数据不断出现的现在，输入特征的数量呈指数形式迅速增长，形成了所谓的维数灾难。今天，我们将重点讲讲主成分分析，从原始数据集中找出一个更小的，但能最大程度保留原来大部分信息的变量集合。

所谓主成分分析，即Principle Component Analysis (PCA)，其实就是寻找主成分的过程，且通常被认为是一种特殊的非监督学习算法，可以对复杂或多变的变量进行处理分析。一般而言，成分可以认为是特征的规范化线性组合。其中，第一主成分是能够最大程度解释数据中方差的特征线性组合，而第二主成分是在方向上与第一主成分垂直的条件下，最大程度解释数据中方差的另一种线性组合。其后的每一个主成分都遵循相同的原则。此外，主成分得分是对于每个主成分和每个观测变量计算而得到的。

下面，我们一起来看下如何进行主成分分析并建立模型。

1.R包的安装与读取

1.R包的安装与读取

rm(list = ls())   #清空环境变量 options(stringsAsFactors = F)

###1. R包的安装与读取 if(!require(psych))install.packages("psych") if(!require(ggplot2))install.packages("ggplot2") if(!require(ggpubr))install.packages("ggpubr") if(!require(ROCR))install.packages("ROCR") library(psych)