PCA主成分分析

最近遇到了主成分分析法這個東西，一開始我覺得簡直天才啊，這個想法雖然從經濟意義上來解釋有點奇怪，畢竟是數學方法計算出來的解釋因子，但鑒于沒人知道現實世界究竟被多少因素影響，這種方法可以將最主要的成分提取出來，供人使用。這對于沒有足夠的經驗自己總結影響因子的人來說，確實是一個很好的主意。

但在應用中我遇到了許多小問題，又因為我糟糕的記憶力，我決定寫下來問題的解決過程，下一次還能回憶起來。QAQ

0.寫在最前面

主成分分析法，可以將隨機向量變為少數幾個主成分，換句話說，本來有幾種向量，最后就有幾種成分，然后從中選出解釋力最強的幾種“主成分”。但是原始向量的協方差矩陣可能不是一個對角矩陣，即原始向量之間相關，轉換后的主成分之間，不相關，同時主成分可以反映原始向量的大部分信息。

1.數據標準化

標準化，意味著將原始數據減去對應變量的均值，再除以其方差。

這個問題的來源是在主成分分析中，有兩種選擇，按照相關系數矩陣分解還是按照協方差矩陣分解。

我的困惑在于，這兩者有什么區別，和書標準化又有什么關系。

查詢資料得知：經標準化的樣本數據的協方差矩陣就是原始樣本數據的相關矩陣。這里所說的標準化指正態化，即將原始數據處理成均值為0。

簡單來說，原始樣本相關矩陣=標準化后協方差矩陣。

2.按照協方差矩陣分解還是按照相關矩陣分解

雖然現在知道了：

原始樣本相關矩陣=標準化后協方差矩陣

但我還是不確定，這是否意味著：

原始樣本按照相關矩陣分解=標準化后樣本按照協方差矩陣分解

但我這個人確實不太擅長從數學的角度進行理論分析。

所以我直接在程序里驗證了，對比了兩組結果。原始數據為data，R語言

第一組：

A <- princomp(data, cor = TRUE)

summary(A)

第二組：

b <- scale(data)

B <- princomp(b, cor = FALSE)

summary(B)

我得到的兩組結果完全相同。顯然，這證明了：

原始樣本按照相關矩陣分解=標準化后樣本按照協方差矩陣分解

這基本解決了我運算上的一些困惑。

3.關于意義

運算上的困惑解決了，我對主成分的一些含義還不清楚，主要有以下幾個問題：

a. 第一主成分和第二主成分的區別是否在與第一主成分的解釋力更強，或者說他們倆的第一第二究竟是什么意思。特征向量又有什么意義？

第一主成分和第二主成分的“第一”、“第二”意味著特征值的第一大和第二大。第一主成分，意味著對標準化后的數據找到一個線性組合，令主成分的方差最大。第二主成分與第一主成分無關，第二主成分的方差第二大。

特征值越大，代表了對原始信息解釋的越多。

第一主成分的方差理論上等于第一大特征值，第二主成分的方差理論上等于第二大特征值。特征向量就是在原始數據上的系數。

系數的正負值，絕對值大的代表了蓋主成分主要綜合的變量信息，當有幾個變量系數絕對值大小相當的時候，應當認為這一主成分是這幾個變量的作用綜合，至于意義需要結合具體的問題解決。

b. 原始數據中，某種向量與其他向量的相關性較低，和這種向量與主成分之間的關系有什么聯系？

變量之間相關性高，意味著數據中的信息是有重疊的，因此，用主成分分析得到不重疊的信息。如果本身不相關，就沒有重疊的信息，pca的效果就不明顯。（這一點我仍舊存疑）

總結

以上是生活随笔為你收集整理的r语言主成分分析_PCA主成分分析的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。