pca(principal components analysis),是一種降維和去除相關性的方法，它通過方差來評價特徵的價值，認為方差大的特徵包含資訊多，應予以保留。
首先對每一維特徵0均值處理，求得特徵的協方差矩陣a,那麼
在分析方差時，所以通過協方差矩陣特徵值大小來看方差大小。所以將協方差矩陣相似對角化，協方差矩陣相似也就是對樣本空間進行座標變換。特徵值就是變換後空間中特徵的方差，因為變換後協方差矩陣變成對角形式，所以去除了相關性。
這樣我們可以對特徵值從大到下排序，選擇前k個，然後把後面小的特徵值設定為0，相應的特徵向量也就是0了，我們得到變換後的資料
這樣通過座標變換和挑選特徵值就實現了去相關和降維。
白化是將pca去相關之後將每一特徵的方差歸一化到1，也就是吧變換後的特徵都除以各自的標準差，
當然如果在這過程中還想實現降維效果，可以設定保留方差的比例，如93%，篩除特徵值即可。
PCA數學原理及程式設計實現
一.乙個場景 已知一家超市，銷售a，b，c，d四種產品，現對每種產品的一周之內每天的銷售情況記錄如下 a b c d 周一 2 0 8 9 周二 4 0 11 13 週三 3 1 10 12 周四 2 3 11 10 周五 1 0 12 9 週六10 11 1 2 週日11 12 2 1 我們將a，...
PCA的數學原理
pca的數學原理 pca principal component analysis 是一種常用的資料分析方法。pca通過線性變換將原始資料變換為一組各維度線性無關的表示，可用於提取資料的主要特徵分量，常用於高維資料的降維。網上關於pca的文章有很多，但是大多數只描述了pca的分析過程，而沒有講述其中...
PCA的個人理解
接觸pca很久很久，pca可以說是每個機器學習愛好者的都會很快接觸到的降維演算法，經過這幾年對pca有了更深入的理解 pca是什麼？英文名稱 principal components analysis，顧名思義，用於分析資料中的主要成分，同時捨棄 忽略 不重要的成分，實現資訊的提取和精煉，降低資料的...