主成分分析法的优缺点
功能：和主成分分析相比，由于因子分析可以使用旋转技术帮助解释因子，在解释方面更加有优势；而如果想把现有的变量变成少数几个新的变量（新的变量几乎带有原来所有变量的信息）来进入后续的分析，则可以使用主成分分析。
因为主成分分析法在对原始数据指标变量进行变换后形成了彼此相互独立的主成分，而且实践证明指标间相关程度越高，主成分分析效果越好。
多出一项旋转功能，该旋转目的即在于命名。主成分分析目的在于信息浓缩（但不太关注主成分与分析项对应关系），权重计算，以及综合得分计算。同时SPSSAU可直接保存因子得分及综合得分，不需要手动计算。
）根据标准化数据求出方差矩阵；3）求出共变量矩阵的特征根和特征变量，根据特征根，确定主成分；4）结合专业知识和各主成分所蕴藏的信息给予恰当的解释，并充分运用其来判断样品的特性。
pca主成分分析是什么?
pca主成分分析是一种降维技术，它可用于降低n维数据集的维数，同时保留尽可能多的信息。其中，主成分是我们上面讨论过的“新”独立特征。目标是尽可能多地保留“新”特征，同时删除最不重要的特征。
主成分分析（Principal Component Analysis，PCA）， 是一种统计方法。通过正交变换将一组可能存在相关性的变量转换为一组线性不相关的变量，转换后的这组变量叫主成分。
PCA(Principal Component Analysis)，即主成分分析方法，是一种使用最广泛的数据降维算法。PCA的主要思想是将n维特征映射到k维上，这k维是全新的正交特征也被称为主成分，是在原有n维特征的基础上重新构造出来的k维特征。
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。
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。
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。
什么是主成分分析?
『One』， 并非所有的数据都适用于主成分分析的。主成分分析本身并不是目的， 实际应用中主成分分析往往是一种手段。目的是通过主成分分析简化数据结构， 在此基础上进行进一步的分析。
『Two』， 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。
『Three』， 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。在实证问题研究中，为了全面、系统地分析问题，我们必须考虑众多影响因素。这些涉及的因素一般称为指标，在统计分析中也称为变量。
『Four』， 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。
『Five』， 基本思想 主成分分析是设法将原来众多具有一定相关性（比如P个指标），重新组合成一组新的互相无关的综合指标来代替原来的指标。通常数学上的处理就是将原来P个指标作线性组合，作为新的综合指标。
什么是主成分分析
『One』， 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。
『Two』， 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。
『Three』， 并非所有的数据都适用于主成分分析的。主成分分析本身并不是目的， 实际应用中主成分分析往往是一种手段。目的是通过主成分分析简化数据结构， 在此基础上进行进一步的分析。
『Four』， 基本思想 主成分分析是设法将原来众多具有一定相关性（比如P个指标），重新组合成一组新的互相无关的综合指标来代替原来的指标。通常数学上的处理就是将原来P个指标作线性组合，作为新的综合指标。
『Five』， 主成分分析中是把主成分表示成各变量的线性组合，而因子分析是把变量表示成各公因子的线性组合。假设条件不同：主成分分析不需要有假设条件；而因子分析需要一些假设。
『Six』， 主成分分析：主成分分析可以简单的总结成一句话：数据的压缩和解释。常被用来寻找判断某种事物或现象的综合指标，并且给综合指标所包含的信息以适当的解释。
主成分分析(PCA)
主成分分析的英文缩写是PCA。主成分分析（Principal Component Analysis，PCA）， 是一种统计方法。通过正交变换将一组可能存在相关性的变量转换为一组线性不相关的变量，转换后的这组变量叫主成分。
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。
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。
主成分分析（Principal Component Analysis，PCA）， 是一种统计方法。通过正交变换将一组可能存在相关性的变量转换为一组线性不相关的变量，转换后的这组变量叫主成分。
