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？

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）。

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：

Nov 19, 2018 · PCA原理类似，就是在找一个个新的坐标维，让高维数据可以在少量的几个坐标维上投影保留原有数据尽量多的variation。 第一个维度抽完后，再在没解释完的residual里面抽第二个第三个 …

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 …

主成分分析（PCA）主成分维度怎么选择？ 想请教一下各位大神，在主成分分析中，对于N阶方阵从其特征向量中提取K个主特征向量，这里我想问一下，这个K值是怎么设定的？ 有人说是盖尔圆盘定理确 …

但在ICA之前，往往会对数据有一个预处理过程，那就是PCA与白化。 白化在这里先不提，PCA本质上来说就是一个降维过程，大大降低ICA的计算量。 PCA，白化后的结果如下图所示。 可以看到，原先 …

PCA结果图主要由5个部分组成 ①第一主成分坐标轴及主成分贡献率主成分贡献率，即每个主成分的方差在这一组变量中的总方差中所占的比例 ②纵坐标为第二主成分坐标及主成分贡献率 ③分组，图中分 …

在PCA得分图中，横坐标（通常是PC1）和纵坐标（通常是PC2）代表的是两个主要的主成分。 这些主成分为了解释数据的最大方差而被提取出来。 具体来说： 正负值并不直接提供关于样本的具体意义的 …

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。