奇异值分解与主成分分析.docxVIP

数值实验03：奇异值分解与主成分分析 主成分分析，也简称为PCA。它是一种对数据进行分析的技术，属于多元统计分析的范畴，最重要的应用是对原有数据进行简化。这种方法可以有效的找出数据中最“主要”的元素和结构，去除噪音和冗余，将原有的复杂数据降维，揭示隐藏在复杂数据背后的简单结构。它的优点是简单，而且无参数限制，可以方便地应用于许多实际课题。 基本问题1、从代数的角度来看，PCA的目标就是使用另一组基去重新描述得到的数据空间，或者说它是线性变换Z=PX，而新的基要怎样揭示原有的数据间的关系？PCA适用的前提条件是什么？ 答： 主成分分析在统计学中指的是一种简化数据集的技术，是一个线性变换。它把数据变换到一个新的坐标系中，使得任何数据投影的第一大方差在第一个坐标（称为第一主成分）上，第二大方差在第二个坐标（第二主成分）上，依次类推。主成分分析经常用减少数据集的维数，同时保持数据集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。这样低阶成分往往能保留住数据的最重要方面。 PCA适用的前提条件为尽量不改变数据特性： （1）满足线性要求。由于PCA的目标是使用另一组新的基去重新描述得到的数据空间，它是线性变换Z=PX，这使得它能进行的主元分析之间的关系也是线性的。 （2）符合正态分布或指数分布。如果数据不满足正态分布或指数分布，方差和协方差就不能很好地反映噪声和冗余，PC