主成分分析？主成分分析例题及答案？
主成分分析(PCA)简介
『One』， 主成分分析(PCA)是一种常用的无监督学习方法，这一方法利用正交变换把由现行相关变量表示的观测数据转化为少数几个由线性无关变量表示的数据，线性无关的变量称为主成分。
『Two』， 主成分分析（英语：Principal components analysis，PCA）是一种统计分析、简化数据集的方法。
『Three』， PCA即主成分分析技术，又称主分量分析。主成分分析也称主分量分析，旨在利用降维的思想，把多指标转化为少数几个综合指标。在统计学中，主成分分析PCA是一种简化数据集的技术。它是一个线性变换。
『Four』， PCA 全称是Principal Component Analysis，又叫 做主成分析 。是一种分析、简化数据集的技术。主成分分析经常用于减少数据集的维数，同时保持数据集中的对方差贡献最大的特征。这是通过保留低阶主成分，忽略高阶主成分做到的。
『Five』， PCA，Principle Component Analysis，即主成分分析法，是特征降维的最常用手段。顾名思义，PCA 能从冗余特征中提取主要成分，在不太损失模型质量的情况下，提升了模型训练速度。
『Six』， 主成分分析PCA是一种简化数据集的技术。它是一个线性变换。
什么是主成分分析?主成分分析的步骤有哪些
主成分分析法的步骤：对原始数据标准化、计算相关系数、计算特征、确定主成分、合成主成分。主成分分析是指通过将一组可能存在相关性的变量转换城一组线性不相关的变量，转换后的这组变量叫主成分。
主成分分析的前提条件是原始变量之间有一定的相关性 。
主成分分析法的详细步骤如下：第1步：标准化 这一步的目的是把输入数据集变量的范围标准化，以使它们中的每一个均可大致成比例地分析。更具体地说，在使用PCA之前必须标准化数据的原因是PCA对初始变量的方差非常敏感。
什么是主成分分析,如何进行检验?
『One』， 主成分分析的前提条件是原始变量之间有一定的相关性 。
『Two』， 主成分分析是指通过将一组可能存在相关性的变量转换城一组线性不相关的变量，转换后的这组变量叫主成分。主成分分析步骤：对原始数据标准化，计算相关系数，计算特征，确定主成分，合成主成分。
『Three』， 所谓主成分一般指构成物质的主要成分，或者是构成物质的全成分，一般被称为全分析或者简分析，全分析可准确测定物质的系统构成，最后结果可以某种形式，如氧化物或元素加合总量为100%或趋于。而简分析可知主要构成。
『Four』， 主成分分析是一种线性降维算法，也是一种常用的数据预处理方法。主成分分析法的目标：是用方差（Variance）来衡量数据的差异性，并将差异性较大的高维数据投影到低维空间中进行表示。
『Five』， Bartletts检验的P值小于0.001，拒绝零假设，即认为研究数据可以进行主成分提取，满足假设2。 结果解释 对主成分结果的分析主要从公因子方差(communalities)、提取主成分和强制提取主成分三个方面进行。
『Six』， 注Bartlett球形度检验：检验是否适合主成分析。其原假设是变量间两两相互独立。KMO判断适合主成分析的程度。查看各个主成分的特征根，方差，方差占比。
Tags：