R语言如何实现主成分分析（PCA），最全详细教材

sta@ma@brain

已于 2024-01-01 15:49:47 修改

阅读量4.9w

点赞数 71

CC 4.0 BY-SA版权

分类专栏：神经科学工具箱脑网络的图论分析脑科学核磁共振成像文章标签：数据挖掘数据分析可视化

于 2021-04-05 18:47:29 首次发布

本文链接：https://blog.youkuaiyun.com/xj4math/article/details/115445490

75 篇文章 ¥59.90 ¥99.00

订阅专栏

70 篇文章 ¥59.90 ¥99.00

订阅专栏

49 篇文章 ¥59.90 ¥99.00

订阅专栏

本文详细介绍了R语言中如何实现主成分分析（PCA），从数据标准化到使用prcomp()和princomp()函数，再到结果的可视化，包括主成分得分计算和散点图绘制。通过自编函数和内置函数的对比，验证了PCA过程的准确性。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

R语言也有“一步到位”的函数，如prcomp()和princomp()，基本上都是输入数据直接出结果。为了理解PCA的原理，我们利用自编函数的方法进行学习。
在这里插入图片描述

主成分分析过程分解

为了统一数据的量纲并对数据进行中心化，在主成分分析之前往往需要对原始数据进行标准化。下面以R语言自带的iris范例数据集为例，探索一下主成分分析的具体过程。

#将R自带的范例数据集iris储存为变量data;
data<-iris
head(data)
#对原数据进行z-score归一化；
dt<-as.matrix(scale(data[,1:4]))
head(dt)

在这里插入图片描述

既然主成分分析主要是选取解释变量方差最大的主成分，故先需要计算变量两两之间协方

了解本专栏