简述PCA的计算过程

输入：数据集X={x1，x2，...，xn}，需降到k维

① 去中心化（去均值，即每个特征减去各自的均值）

② 计算协方差矩阵1/nX*X^T（1/n不影响特征向量）

③ 用特征值分解方法/SVD奇异值分解求解②协方差矩阵的特征值与特征向量

④ 对特征值从大到小排序，选前k个。将其对应的k个特征向量分别作为行向量组成特征向量矩阵P

⑤ 将数据转换到k个特征向量构建的新空间中，即Y=PX

使用SVD时：左奇异矩阵可用于对行数据的压缩，右奇异矩阵可以用于对列（即特征的维度）的压缩。因此，用SVD分解协方差矩阵实现PCA可以得到两个方向的PCA降维（即行和列），通常只使用左奇异值。

一些形象的解释：

去中心化（即把坐标原点放在数据中心，不然虽然点的相对位置不变，但坐标绝对值不同，导致很难量化点的分散程度。很难找到把点"分散的最开"的方向）

说到“分散程度”，就容易想到方差。

PCA是什么？答：找坐标系

找到数据分布最分散的方向（即方差最大），作为主成分（新的坐标轴）

主要思想：将n维特征映射到k维上，这k维是全新的正交特征也叫主成分。

本质：向量换基

目标：将数据投影到方差最大的几个正交方向上。

从原始空间中顺序的找一组正交的坐标轴，第一个坐标轴是原始数据中方差最大的方向，第二个坐标轴是与第一个坐标轴正交的平面中使得方差最大的方向，一次类推，得到k个。这k个坐标轴包含数据大部分信息，后面的坐标轴方差几乎为0可忽略，从而达到降维的目的。