PCA主成分分析

首先可以先阅读这一篇文档。

基本的算法和原理在上面的文档内已经写得很详细了，总结一下PCA的数学模型吧：

第一种求法：

易知A是对称阵，所以可以对角化

因为P是要求出来的，所以可以另

由线性代数的理论得知：

最终则可以得到：

第二种求法：

那就是矩阵的SVD分解

其中U、V均为酉矩阵（正交阵是实数特殊化的酉矩阵）。那么我们可以另P=U^T，则也可以达到第一种求法的目的。

从信号的角度来说，对角阵中非零元素代表着实际的信号值，经过PCA之后，可以减少数据间的冗余度以及维度，并且可以去掉一些信息量少的非零元素值，进一步减少数据维度。

传统的PCA是通过协方差矩阵来判定变量间的相关性的。可以知道，两个变量间的相关性与是否相互独立是没有关系的。只有在数据符合正态分布（高斯分布）的时候，不相关才和相互独立等价。

所以传统PCA的算法只能用在数据服从正态分布的基础上，幸运的是生活中大部分观测的变量都符合这个分布。

或者可以通过改进的PCA算法，从而适应服从其他分布的数据。