一般来说，PCA分析2个图够了，以iris数据为例，在经过PCA分析后，我们可以得到第一章碎石图，表示PC1，2，3，4的特征向量值，可以据此选择保留的主成分（通常选择特征向量值超过2的变量），此图显示出1个主成分可以保留。
image.png
此外，可以有另外2个基于特征向量值选择主成分的标准，即 Kaiser-Guttman 标准和 Broken Stick 标准，这些标准可以反应主成分对于解释原始数据的贡献程度
image.png
依据Kaiser-Guttman 标准，仅应该保留主成分1，上图中仅PC1超过了平均值，下图中仅PC1超过了红色柱形图。
在选择了PC后，需要考虑变量对于PC的贡献，下图中，Petal Length，Width， Sepal Length对于PC1的贡献大，即方向偏向x轴方向；而Sepal width对PC2的贡献大，方向偏向y轴。长度越长，相对影响越大。
image.png
