PCA最常见的应用是降维，为什么PCA能降维？ 假设你有 3 个维度，经过PCA 分析后发现第 1 主成分贡献80% 信息（方差），第 2 主成分贡献18% 信息（方差），第 3 主成分只贡献 2% 信息（方差）。

如何通俗易懂地讲解什么是 PCA（主成分分析）？ 博主没学过数理统计，最近看 paper 经常遇到，但是网上的讲解太专业看不懂，谁能通俗易懂的讲解一下，主成分分析作用是什么？

知乎，中文互联网高质量的问答社区和创作者聚集的原创内容平台，于 2011 年 1 月正式上线，以「让人们更好的分享知识、经验和见解，找到自己的解答」为品牌使命。知乎凭借认真、专业、友善的社区 …

PCA 从三维缩减到二维后的散点图 PCA 在处理具有大量特征的数据集时非常有用。图像处理、基因组研究等常见应用总是需要处理数千甚至数万列数据。虽然拥有更多的数据总是好事，但有时数据中的信 …

主元分析也就是PCA，主要用于数据降维。 1 什么是降维？ 比如说有如下的房价数据： 这种一维数据可以直接放在实数轴上：

PCA（主成分分析）和EOF（经验正交函数分解）有什么区别？ 我自己理解的是： EOF分析 - 作业部落 Cmd Markdown 编辑阅读器 （我写的） 要求特征向量的矩阵C在PCA与EOF不同： PCA中：C… 显 …

1、PCA的两种理解：最大化方差、最小化投影损失 这部分理解比较常见，公式的推导也比较容易，可以用拉格朗日乘子法发现两种理解的最终解相同。

PCA与LDA的区别： （1）PCA是无监督模型，利用正交变换来对一系列可能相关的变量的观测值进行线性变换，从而投影为一系列线性不相关变量的值； （2）LDA是有监督模型，假设了 各类样本的协方 …

当你这么做的时候，你就是在做PCA了。 具体怎么找这个平面呢，在概念上，你首先找到数据点分布范围最广、即方差最大的那个方向（上图绿色箭头），然后在剩下的与其垂直的所有方向中再找另一个方 …

PCA告诉我们的是，我们预先确定的x轴和y轴对于描述我们选择的数据并不是那么有意义。 因为所选数据的分布角度大约是45度，所以选择u1和u2作为坐标轴比选择x和y更有意义。