来源：http://blog.travel.ifeng.com/article/15992868.html
主成分分析的经典图像如下
 |
|
直观的解释就是，在长箭头方向上，数据点要比短箭头方向上分散。如果用长箭头的方向来区分样本点，基本上就能代表长短两个方向。那么我们就可以用长箭头作为分类、回归或者聚类的标准。上面例子中，维度从2(长短两个箭头)降到了1(长箭头)。
这里边箭头长短就是数据点在这个分量上的方差，设想一个数据点有很多维，我们就可以通过计算每一维的方差，然后从小到大排列这些方差，计算累计方差贡献，就可以从大到小选择方差大的维。例如对于8维的数据，使用前2维就能得到90%以上的方差，这样的PCA效果就极好，同样对于8维的数据，采用前4维仅能得到60%的方差，PCA效果就不太好(这句话中的数据就是个形象的对比，不必认真)。
下一个问题就是如何将原始的数据投影到新的坐标上。因为低维的坐标下，坐标值实际上是原坐标系中坐标值的线性组合(代数不愧是数学三大基础之一，另外两个是几何和分析)，因此需要得到变换矩阵的特征向量。这个通过简单的运算就可以进行，计算出来这些线性组合，就完成了坐标投影。因为使用矩阵的幂乘可以依次得到特征向量，所以可以不用对矩阵进行特征值分解，这样在矩阵很大的时候就可以降低运算的复杂度。
那么什么情况会导致变换矩阵很大呢？当然是拜核方法(Kernel Trick)所赐了。核方法能够通过升维将非线性的数据变为线性，从而解决了部分的非线性问题。常见的核有多项式核、径向基函数核、sigmoid核等等。数据的维度高了，变换矩阵自然就大了。
参考：
基于核主成分分析的特征提取方法，韦振中
基于核函数的主成分分析及应用，吴今培
一种解决大规模数据集问题的核主成分分析算法，史卫亚等
|