PCA主成分分析原理随笔

PCA是一种无监督学习的多元统计分析方法，提取多元事物是主要因素揭示其本质特征

D(经过预处理白数据)→SD(对数据进行拉伸)→RSD(对数据进行旋转)→D^'

数据拉伸方向为方差变化的最大方向：左乘一个S矩阵     S=

旋转角度为方差最大的角度：在旋转数据后左乘一个R矩阵   R= 

协方差矩阵的特征向量就是R

协方差矩阵C：

1.  λ_c 特征值：特征值比重为贡献率（整体权重）

2. β_c 特征向量:某一新生成的主成分各个属性的权重     

F₁ =ω₁X₁ +ω₂X₂ +...+ω_n X_n                                                 

β_c={ω₁ , ω₂ ,...,ω_n }      原本的n个成分{X₁,X₂ ,...,X_n}

一个矩阵代表的是一个线性变换规则，而矩阵乘法运算代表的是一个变化。

如果矩阵对某一个向量或某些向量只发生伸缩变换，不对这些向量产生旋转的效果，那么这些向量就称为这个矩阵的特征向量。伸缩的比例就是特征值。