PCA（主成分分析）是一种统计方法，通过转换一组可能相关的变量为一组线性不相关的变量，即主成分，来减少数据的复杂性。主成分保留了原始数据的信息，并确保新变量间无相关性。主要任务包括确定主成分表达式和计算主成分载荷。通过计算协方差矩阵、求特征值和特征向量，选择方差贡献率大的前m个主成分，并计算主成分得分。在Python中，可以使用相关库进行PCA操作。
基本思想
几个数学思想：
其方差Var(F1)越大，表示F1包含的信息越多。
从数学上可以证明，原变量协方差矩阵的特征根是主成分的方差，所以前m个较大特征根就代表前m个较大的主成分方差值；原变量协方差矩阵前m个较大的特征值 （这样选取才能保证主成分的方差依次最大）所对应的特征向量就是相应主成分Fi表达式的系数 ，为了加以限制，系数 启用的是 对应的单位化的特征向量，即有 = 1。
其基本思想是设法将原来众多的具有一定相关性的指标X1，X2，…，XP（比如p个指标），重新组合成一组较少个数的互不相关的综合指标Fm来代替原来指标。
对综合指标要求：使其既能最大程度的反映原变量Xp所代表的信息，又能保证新指标之间保持相互无关（信息不重叠）。
主成分分析的两个主要任务
（1）确定各主成分Fi（i=1，2，…，m）关于原变量Xj（j=1，2 ，…， p）的表达式，即系数 （ i=1，2，…，m； j=1，2 ，…，p）。
（2）计算主成分载荷，主成分载荷是反映主成分Fi与原变量Xj之间的相互关联程度：
详细步骤分析
主成分分
最低0.47元/天 解锁文章
2万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
