主成分分析（PCA）是一种用于降维的技术，通过找到数据在正交基上的最大方差投影来实现。PCA的核心在于计算数据的协方差矩阵并找出其特征值和特征向量，特征值较大的特征向量即为主成分，可用于数据表示，而小特征值对应的特征向量则可被忽略，从而达到数据降维的目的。
主成分分析： Principal Component Analysis (PCA)
PCA的本质就是找一些相互正交的投影方向的方差。计算原始数据在这些正交基上投影的方差越大，则说明在对应正交基上的信息量越多。
原始数据协方差矩阵的特征值越大，对应的方差越大，在对应的特征向量上投影的信息量就越大，就是主成分。
特征值小，说明数据在这些特征向量上投影的信息量很小，则这数据在总体中的影响很小，可以将小特征值对应方向的数据删除，从而达到了降维的目的。
所以，主成分分析主要是为了寻找总体中，占比例比较少的成分，删除。达到降维和数据清洗的目的
扫一扫
471
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
