PCA（主成份分析）算法的原理和推导

    PCA算法的优化目标是用低维数据来近似表示高维数据，低维数据两两不相关，并保留绝大部分的数据方差。在执行算法之前，首先对数据进行均值归一化和特征缩放处理，也就是将样本的每维数据都转化均值为零、方差为一的标准化随机变量。本文假设您了解线性空间和基变换、正交变换、对称矩阵的对角化等知识，文中出现的向量默认都是列向量。

    设矩阵表示个维随机样本，向量表示其中的一个样本。我们希望在空间内找到一个标准正交基，原样本经过基变换后，不同维度的数据线性无关，即不同维度数据的协方差为零。

    向量在基中的新坐标为：，所以样本经过基变换后为样本，其中：

    由于每维数据的样本均值都是零，所以样本的协方差矩阵为：

    协方差矩阵对角线上的个数据表示个维度的数据方差，其他数据表示不同维度数据的协方差，我们希望协方差矩阵除了对角线之外的数据全部为零，即把矩阵对角化。

    注意到就是样本的协方差矩阵，并且是一个阶对称矩阵，那么一定存在正交矩阵，使：

    其中是由的个经过正交化和单位化之后的特征向量组成的正交矩阵，是以的个特征值为对角元的对角矩阵。这就证明了矩阵解的存在性和组成结构。

    我们已经找到了矩阵，现在希望把维向量映射到维向量，并按比例保留的数据方差，其中未知。通过下面的方法来确定最小的值：

        ，其中是按照倒序排列的特征值

    确定值后，我们实际上就是找到了空间中的一个子空间，由前个最大的特征值对应的特征向量组成。每一个样本在子空间上的投影即为映射到的维向量，其中：

    同时，维样本降维为维样本，并保留了的数据方差，其中：

    矩阵和可以通过对协方差矩阵进行特征分解或奇异值分解得到，确定了矩阵和值后即完成了PCA降维算法。