极简PCA数据降维

本人目前数学建模，机器学习微白一枚，

之前在知乎写了一点点文章，

当做记录，

之后听朋友说，写博客才是正儿八经记录，

所以，今天开始，一点pca降维

主成分分析，

不同指标对一个评价对象的贡献率是不同的，降维，就是，找到那些贡献率非常高的。

一，步骤

1 无量纲化处理

标准化

2协方差或相关系数矩阵处理。

3贡献率85%以上就OK

4求出相关系数矩阵的特征值，并和特征向量正交化

5重新组成新的评价指标。

6新的指标是由原来指标组成的，加上一些系数，也就是原来的矩阵进行一些线性变换

7新的指标主成分，要结合系数和正负性，再加上原来的指标含义进行分析出新的指标的含义

说白了，新的指标就是原来的指标线性组合，含义有的时候好分析，有的时候不好分析。

二，用途

1数据维度很多时，为了减少运算量，降维

2评价，针对一些指标搞个排名，可以直接降到一维（假如这个维度贡献率足够大）

直接就可以当一个总得排名指标了。

3