如何进行主成分分析，主成分分析的缺点是什么？

主成分分析的缺点：

1、在主成分分析中，首先要保证前几个提取的主成分的累积贡献率达到一个较高的水平（即变维降维后的信息量必须保持在较高水平），其次，提取的主成分必须能够给出符合实际背景和含义的解释（否则主成分会有空信息，没有实际意）。

2.主成分解释的意义一般有些模糊，不如原变量的含义清晰准确，这是变量降维过程中必须付出的代价。 因此，提取的主成分数m通常应明显小于原始变量p的数量（除非p本身更小），否则降维的“好处”可能不会超过主成分的意义不如原始变量的“坏处”。

所获得的主元素的物理或实际含义不如原始变量清晰和精确。 此外，当得到的特征值具有负号时，综合评价函数的含义不明确。

模特儿不能伤害它。

1.标准化原始数据。

2.计算相关系数。

3.计算特性。

4. 确定主成分。

5.合成主成分。

主成分分析是指将一组潜在相关的变量转换为一组线性不相关的变量，转换后的变量集称为主成分。

在实际问题中，为了全面分析问题，经常会提出许多与之相关的变量（或因素），因为每个变量都在不同程度上反映了有关该主题的某些信息。 主成分分析首先由K进行Pearson是针对非随机变量引入的，其次是h。

Hotling将这种方法推广到随机向量的情况。 信息的大小通常以离散或方差的平方和来衡量。

主成分分析又称主成分分析，旨在利用降维的思想，将多个指标转化为几个综合指标（即主成分），其中每个主成分都能反映原始变量的大部分信息，并且其中包含的信息不会相互重复。

通过线性变换将一组给定的相关变量转换为另一组不相关的变量，并且这些新变量按方差递减顺序排列。 在数学变换中，变量的总方差保持不变，因此第一个变量的方差最大，称为第一主成分，第二个变量的方差第二大，与第一个变量无关，称为第二主成分。 依此类推，i 变量具有 i 主成分。

其中 li 是 p 维正交化向量 （li*li=1），Zi 彼此不相关，按方差从大到小排列，Zi 称为 X 的第 i 个主成分。 设 x 的协方差矩阵为 ，则必须为半正定对称矩阵，求出特征值 i（按从大到小的顺序）及其特征向量，可以证明 i 对应的正交化特征向量是第 i 个主成分 zi 对应的系数向量 li，zi 的方差贡献率定义为 i j， 这通常要求提取的主成分k的量k才能满足kj>。

询问自定义消息]。