① 主成分分析不可用於綜合評價
② 主成分分析可用於聚類
③ 主成分分析可用於回歸
① 變數的降維
② 主成分的解釋（在主成分有意義的情況下）
① 當普通多元線性回歸存在多重共線性問題時
② 當研究的問題涉及到多變數且變數之間存在很強的相關性時
一、題目有n
nn個樣本，p
pp個指標，則可構建大小為n×p
n×pn×
p的樣本矩陣 c
cc二、對其進行標準化處理
三、計算標準化樣本的協方差矩陣r
rr四、計算r
rr的特徵值和特徵向量
五、寫出主成分，並根據係數分析主成分代表的意義
六、進行回歸或者聚類（可省略）
主成分分析
主成分分析 pca 分析乙個隨機向量的中的主成分 主成分一般不是隨機向量中的某乙個分量，而是不同分量的線性組合，根據資訊理論的觀點，資訊的多少與方差有關，所以 主成分是方差最大的幾個成分 主成分分析的方法是求隨機向量的協方差矩陣 用樣本協方差矩陣代替 對於差異較大的資料，可採用相關矩陣代替協方差矩陣...
主成分分析
理論要點 1 主成分分析是一種無監督學習，因此不能用交叉驗證來檢驗誤差 2 在處理資料之前，要對資料做中心化處理 3 p太大的話，做特徵分解用svd 4 一共有min n 1,p 個主成分，因為中心化以後，rank要降一維 5 主成分的載荷向量就是協方差矩陣的特徵向量，對應特徵值最大的是第一主成分，...
主成分分析
1.概念 將一組可能存在相關性的隨機變數轉變成互不相關的隨機變數。這個概念裡有三個地方需要理解清楚。1 隨機變數的指代 在資料集中，每乙個樣本，即將資料集理解成乙個 的話，乙個樣本就是一行，則每一列就是乙個特徵，也就是乙個隨機變數，一列的所有取值就是隨機變數的所有可能取值 說的所有可能取值只針對訓練...