下载文档原格式
19.主成分分析法一、方法介绍 基本思路：主成分分析就是设法将原来指标重新组合成一组新的互相无关的几个综合指标来代替原来指标，同时根据实际需要从中可取几个较少的综合指标尽可能多地反映原来指标的信息。
这种将多个指标化为少数互相无关的综合指标的统计方法叫做主成分分析或称主分量分析。
主成分分析的基本思想就是，设法将原来众多具有一定相关性的指标（比如P 个指标），重新组合成一组新的相互无关的综合指标来代替原来指标。
最经典的方法就是用F 1的方差来表达，即 V ar (F 1)越大，表示F 1包含的信息越多。
理论模型：设有n 个样品，每个样品观测p 项指标（变量）：X 1，X 2，．．．，Ｘp ，得到原始数据资料阵：()111121,,....p P n np x x X X X X x x ⎛⎫⎪== ⎪ ⎪⎝⎭（1）其中，123.....i ii i x x X x ⎛⎫ ⎪⎪= ⎪ ⎪⎝⎭i=1，．．．，p用数据矩阵X 的p 个向量(即p 个指标向量)X 1，．．．，Xp 作线形组合（即综合指标向量）为：11112121212122221122p P p P P P P pP P F a X a X a X F a X a X a X F a X a X a X =+++⎧⎫⎪⎪=+++⎪⎪⎨⎬⎪⎪⎪⎪=+++⎩⎭（2）简写成1122i i i pi P F a X a X a X =+++ i=1，．．．，p （3）（注意：Xi 是n 维向量，所以Fi 也是n 维向量。
） 上述方程要求：121i i pi a a a ++= i=1,．．．，p （4）且系数a ij 由下列原则决定：（1）F i 与F j （i ≠j ，i ，j=1，…，p ）不相关；（2）F 1是X 1，．．．，Ｘp 的一切线性组合（系数满足上述方程组）中方差最大的，F 2是与F 1不相关的X 1，．．．，Ｘp 的一切线性组合中方差最大的，…，F p 是与其他都不相关的X 1，．．．，Ｘp 的一切线性组合中方差最大的。
主成分分析法什么事主成分分析法:主成分分析（principal components analysis , PCA 又称：主分量分析，主成分回归分析法主成分分析也称主分量分析，旨在利用降维的思想，把多指标转化为少数几个综合指标。
在统计学中，主成分分析（principal components analysis,PCA）是一种简化数据集的技术。
它是一个线性变换。
这个变换把数据变换到一个新的坐标系统中，使得任何数据投影的第一大方差在第一个坐标（称为第一主成分）上，第二大方差在第二个坐标（第二主成分）上，依次类推。
主成分分析经常用减少数据集的维数，同时保持数据集的对方差贡献最大的特征。
这是通过保留低阶主成分，忽略高阶主成分做到的。
这样低阶成分往往能够保留住数据的最重要方面。
但是，这也不是一定的，要视具体应用而定。
主成分分析的基本思想：在实证问题研究中，为了全面、系统地分析问题，我们必须考虑众多影响因素。
这些涉及的因素一般称为指标，在多元统计分析中也称为变量。
因为每个变量都在不同程度上反映了所研究问题的某些信息，并且指标之间彼此有一定的相关性，因而所得的统计数据反映的信息在一定程度上有重叠。
在用统计方法研究多变量问题时，变量太多会增加计算量和增加分析问题的复杂性，人们希望在进行定量分析的过程中，涉及的变量较少，得到的信息量较多。
主成分分析正是适应这一要求产生的，是解决这类题的理想工具同样，在科普效果评估的过程中也存在着这样的问题。
科普效果是很难具体量化的。
在实际评估工作中，我们常常会选用几个有代表性的综合指标，采用打分的方法来进行评估，故综合指标的选取是个重点和难点。
如上所述，主成分分析法正是解决这一问题的理想工具。
因为评估所涉及的众多变量之间既然有一定的相关性，就必然存在着起支配作用的因素。
根据这一点，通过对原始变量相关矩阵内部结构的关系研究，找出影响科普效果某一要素的几个综合指标，使综合指标为原来变量的线性拟合。
什么是主成分分析法主成分分析也称主分量分析，旨在利用降维的思想，把多指标转化为少数几个综合指标。
在统计学中，主成分分析（principal components analysis,PCA）是一种简化数据集的技术。
它是一个线性变换。
这个变换把数据变换到一个新的坐标系统中，使得任何数据投影的第一大方差在第一个坐标(称为第一主成分)上，第二大方差在第二个坐标(第二主成分)上，依次类推。
主成分分析经常用减少数据集的维数，同时保持数据集的对方差贡献最大的特征。
这是通过保留低阶主成分，忽略高阶主成分做到的。
这样低阶成分往往能够保留住数据的最重要方面。
但是，这也不是一定的，要视具体应用而定。
[编辑]主成分分析的基本思想在实证问题研究中，为了全面、系统地分析问题，我们必须考虑众多影响因素。
这些涉及的因素一般称为指标，在多元统计分析中也称为变量。
因为每个变量都在不同程度上反映了所研究问题的某些信息，并且指标之间彼此有一定的相关性，因而所得的统计数据反映的信息在一定程度上有重叠。
在用统计方法研究多变量问题时，变量太多会增加计算量和增加分析问题的复杂性，人们希望在进行定量分析的过程中，涉及的变量较少，得到的信息量较多。
主成分分析正是适应这一要求产生的，是解决这类题的理想工具。
同样，在科普效果评估的过程中也存在着这样的问题。
科普效果是很难具体量化的。
在实际评估工作中，我们常常会选用几个有代表性的综合指标，采用打分的方法来进行评估，故综合指标的选取是个重点和难点。
如上所述，主成分分析法正是解决这一问题的理想工具。
因为评估所涉及的众多变量之间既然有一定的相关性，就必然存在着起支配作用的因素。
根据这一点，通过对原始变量相关矩阵内部结构的关系研究，找出影响科普效果某一要素的几个综合指标，使综合指标为原来变量的线性拟合。
这样，综合指标不仅保留了原始变量的主要信息，且彼此间不相关，又比原始变量具有某些更优越的性质，就使我们在研究复杂的科普效果评估问题时，容易抓住主要矛盾。
主成分分析法1. 主成份分析：主成份分析是最经典的基于线性分类的分类系统。
这个分类系统的最⼤特点就是利⽤线性拟合的思路把分布在多个维度的⾼维数据投射到⼏个轴上。
如果每个样本只有两个数据变量，这种拟合就是其中和分别是样本的两个变量，⽽和则被称为loading,计算出的P值就被称为主成份。
实际上，当⼀个样本只有两个变量的时候，主成份分析本质上就是做⼀个线性回归。
公式本质上就是⼀条直线。
插⼊⼀幅图（主成份坐标旋转图，来⾃：PLS⼯具箱参考⼿册）如果⼀个样本有n个变量，那主成份就变为：其中PC1 称为第⼀主成份，⽽且，我们还可以获得⼀系列与PC这个直线正交的其它轴，如：被称为第⼆主成份以此类推，若令，此时向量A称为主成份的载荷(loading)，计算出的主成份的值PC称为得分(score)。
1. 主成份分析举例作为⼀个典型的降维⽅法，主成份分析在数据降维⽅⾯⾮常有⽤,⽽且也是所有线性降维⽅法的基础。
很多时候，如果我们拿着⼀个⾮常复杂的数据不知所措的话，可以先考虑⽤主成份分析的⽅法对其进⾏分解，找出数据当中的种种趋势。
在这⾥，我们利⽤数据挖掘研究当中⾮常常见的⼀个数据集对主成份分析的使⽤举例如下：1996年，美国时代周刊（Times）发表了⼀篇关于酒类消费，⼼脏病发病率和平均预期寿命之间关系的科普⽂章，当中提到了10个国家的烈酒，葡萄酒和啤酒的⼈均消费量（升/年）与⼈均预期寿命（年）⼀级⼼脏病发病率（百万⼈/年）的数据，这些数据单位不⼀，⽽且数据与数据之间仅有间接关系。
因此直接相关分析不能获得重要且有趣的结果。
另外⼀⽅⾯，总共只有10个国家作为样本，各种常见的抽样和假设检验在这⽅⾯也没有⽤武之地，我们看看⽤何种⽅法能够从这个简单的数据表中获得重要知识作为数据挖掘的第⼀步，⾸先应该观察数据的总体分布情况。
⽆论是EXCEL软件，还是R语⾔，我们都能够很⽅便的从下表中获得表征数据分布的条形图。
从图中可以看出，总共10个国家，有5类数据，由于各类数据性质各不相同，因此数值上⼤⼩也很不相同。
主成分分析法什么事主成分分析法：主成分分析（principal components analysis，PCA）又称：主分量分析，主成分回归分析法主成分分析也称主分量分析，旨在利用降维的思想，把多指标转化为少数几个综合指标。
在统计学中，主成分分析（principal components analysis,PCA）是一种简化数据集的技术。
它是一个线性变换。
这个变换把数据变换到一个新的坐标系统中，使得任何数据投影的第一大方差在第一个坐标(称为第一主成分)上，第二大方差在第二个坐标(第二主成分)上，依次类推。
主成分分析经常用减少数据集的维数，同时保持数据集的对方差贡献最大的特征。
这是通过保留低阶主成分，忽略高阶主成分做到的。
这样低阶成分往往能够保留住数据的最重要方面。
但是，这也不是一定的，要视具体应用而定。
主成分分析的基本思想：在实证问题研究中，为了全面、系统地分析问题，我们必须考虑众多影响因素。
这些涉及的因素一般称为指标，在多元统计分析中也称为变量。
因为每个变量都在不同程度上反映了所研究问题的某些信息，并且指标之间彼此有一定的相关性，因而所得的统计数据反映的信息在一定程度上有重叠。
在用统计方法研究多变量问题时，变量太多会增加计算量和增加分析问题的复杂性，人们希望在进行定量分析的过程中，涉及的变量较少，得到的信息量较多。
主成分分析正是适应这一要求产生的，是解决这类题的理想工具。
同样，在科普效果评估的过程中也存在着这样的问题。
科普效果是很难具体量化的。
在实际评估工作中，我们常常会选用几个有代表性的综合指标，采用打分的方法来进行评估，故综合指标的选取是个重点和难点。
如上所述，主成分分析法正是解决这一问题的理想工具。
因为评估所涉及的众多变量之间既然有一定的相关性，就必然存在着起支配作用的因素。
根据这一点，通过对原始变量相关矩阵内部结构的关系研究，找出影响科普效果某一要素的几个综合指标，使综合指标为原来变量的线性拟合。
主成分分析法主成分分析（Principal Component Analysis，简称PCA）是一种常用的降维方法，它通过线性变换将高维数据转换为低维数据，从而提取出数据的最主要特征。
本文将详细介绍主成分分析的原理、应用以及算法流程。
一、原理主成分分析是一种基于统计学的数据降维方法。
其基本思想是将原始数据通过线性变换，得到一组新的不相关变量，即主成分，用来代替原始变量。
这些主成分在不同维度上的方差依次递减，即第一主成分包含最多的原始变量信息，第二主成分包含不重叠的信息量，以此类推。
主成分分析的目标是最大化原始数据的方差，从而保留尽可能多的信息。
首先，通过计算协方差矩阵来评估各个变量之间的相关性，然后通过特征值分解找出协方差矩阵的特征向量，即主成分。
最后，根据特征值的大小来选择保留的主成分个数。
二、应用主成分分析广泛应用于数据预处理、特征提取和数据可视化等领域。
以下是主成分分析的几个典型应用：1. 数据降维：主成分分析可以将高维数据转换为低维数据，从而减少计算量和存储空间，并提高模型的计算效率。
2. 特征提取：主成分分析可以将原始数据中高度相关的特征转换为互不相关的主成分，保留了原始数据的主要信息。
这样可以提高模型的训练速度和泛化能力。
3. 图像压缩：主成分分析可以将图像的冗余信息去除，从而实现图像的压缩和存储。
通过保留图像中的主要特征，可以在减少存储空间的同时保持图像的质量。
4. 数据可视化：主成分分析可以将高维数据映射到二维空间，从而实现数据的可视化。
通过显示主成分的分布，可以更好地理解数据之间的关系，并发现数据中的模式和异常。
三、算法流程主成分分析的算法流程如下：1. 数据标准化：将原始数据进行标准化处理，使得每个变量具有相同的尺度，从而避免变量之间的差异对主成分的影响。
2. 计算协方差矩阵：根据标准化后的数据计算协方差矩阵，该矩阵表示各个变量之间的相关性。
3. 特征值分解：对协方差矩阵进行特征值分解，得到特征值和特征向量。
主成分分析方法主成分分析（Principal Component Analysis，PCA）是一种常用的多变量统计分析方法，它可以帮助我们发现数据中的主要模式和结构。
主成分分析的基本思想是通过线性变换将原始变量转换为一组新的互相无关的变量，这些新变量被称为主成分，它们能够尽可能多地保留原始数据的信息。
在实际应用中，主成分分析通常用于降维和数据可视化，以及发现变量之间的潜在关联。
主成分分析的数学原理比较复杂，但是在实际应用中，我们只需要了解其基本步骤和注意事项即可进行分析。
下面我们将介绍主成分分析的基本方法及其应用。
1. 数据标准化。
在进行主成分分析之前，我们首先需要对数据进行标准化处理，以消除变量之间的量纲差异对分析结果的影响。
通常采用的标准化方法包括Z-score标准化和min-max标准化。
Z-score标准化将原始数据转换为均值为0，标准差为1的标准正态分布，而min-max标准化将原始数据缩放到一个特定的区间内，通常是[0, 1]或[-1, 1]。
2. 计算协方差矩阵。
在数据标准化之后，我们需要计算变量之间的协方差矩阵。
协方差矩阵可以反映变量之间的线性关系，它是主成分分析的基础。
通过对协方差矩阵进行特征值分解，我们可以得到特征值和特征向量，进而求得主成分。
3. 提取主成分。
根据特征值的大小，我们可以选择保留的主成分个数。
一般来说，我们会选择特征值较大的前几个主成分，因为它们能够较好地保留原始数据的信息。
通过将原始数据投影到所选择的主成分上，我们可以得到新的主成分得分，从而实现数据的降维。
4. 解释主成分。
在主成分分析的结果中，我们通常会对每个主成分进行解释，以了解它们所代表的含义。
通过观察主成分的载荷（即主成分与原始变量之间的相关系数），我们可以发现主成分与原始变量之间的关系，从而解释主成分所反映的数据模式。
5. 应用主成分分析。
主成分分析可以应用于各种领域，如金融、生物、地理等。
在金融领域，主成分分析常用于股票投资组合的优化和风险管理；在生物领域，主成分分析常用于基因表达数据的分析和分类；在地理领域，主成分分析常用于气候数据的降维和可视化。
主成分分析方法主成分分析方法是常用的一种统计分析方法,主要用于进行数据压缩或减少数据的维数[2]。
它是对一组相关的变量进行线性变换,得到一组维数不变但彼此互不相关的变量,亦即一组主成分。
由于各主成分是不相关的,因此可以认为它们是一组独立变量。
一般图像的线性变换可用下式表示:Y=TX (1)式中:X为待变换图像数据矩阵,Y为变换后的数据矩阵;T为实现这一线性变换的变换矩阵。
如果变换矩阵T是正交矩阵,并且它是由原始图像数据矩阵X的协方差矩阵S的特征向量所组成,则(1)式的线性变换称为主成分分析,并且变换后的数据矩阵的每一行矢量为主成分分析的一个主成分。
主成分分析的优点是消除了波段间的相互关系,减少了各波段提供信息的交叉和冗余,有利于分析。
同时,在分析过程中得到主要波段的合理权重,具有很好的客观性。
主成分分析法的主要步骤如下:(1)根据原始图像数据矩阵X,求出它的协方差矩阵S 以矩阵的形式表示多波段图像的原始数据如下:X=x11x12,x1nx21x22,x2ns s s sxn1xn1,xnn=[xij]m@n(2)矩阵X中,m,n分别为波段数和每幅图像中的像元数,矩阵中的每一行矢量表示一个波段的图像。
矩阵X的协方差矩阵S为:S=1n[X-Xl][X-Xl]T(3)式中:l=[1 1 , 1]1@n(4)X=[x1 x2 , x3]T(5)xi=1nEnk=1xik(第i波段的均值) (6)(2)求协方差矩阵S的特征值Ki和特征向量Ui,并组成变换矩阵T 求解特征方程(KI-S)U=0; 然后将特征值Ki按由小到大的顺序排列,求出对应特征值的单位特征向量Ui,以Ui为列构成矩阵U,U矩阵的转置矩阵,即UT为所求的变换矩阵T。
经过主成分变换后得到的新变量的各个行向量依次被称为第一主成分、第二主成分,,第m主成分,这时将新变量恢复为二维图像,便得到m个主成分图像。
主成分分析法
什么事主成分分析法：
主成分分析（principal components analysis，PCA）又称：主分量分析，主成分回归分析法
主成分分析也称主分量分析，旨在利用降维的思想，把多指标转化为少数几个综合指标。
在统计学中，主成分分析（principal components analysis,PCA）是一种简化数据集的技术。
它是一个线性变换。
这个变换把数据变换到一个新的坐标系统中，使得任何数据投影的第一大方差在第一个坐标(称为第一主成分)上，第二大方差在第二个坐标(第二主成分)上，依次类推。
主成分分析经常用减少数据集的维数，同时保持数据集的对方差贡献最大的特征。
这是通过保留低阶主成分，忽略高阶主成分做到的。
这样低阶成分往往能够保留住数据的最重要方面。
但是，这也不是一定的，要视具体应用而定。
主成分分析的基本思想：
在实证问题研究中，为了全面、系统地分析问题，我们必须考虑众多影响因素。
这些涉及的因素一般称为指标，在多元统计分析中也称为变量。
因为每个变量都在不同程度上反映了所研究问题的某些信息，并且指标之间彼此有一定的相关性，因而所得的统计数据反映的信息在一定程度上有重叠。
在用统计方法研究多变量问题时，变量太多会增加计算量和增加分析问题的复杂性，人们希望在进行定量分析的过
程中，涉及的变量较少，得到的信息量较多。
主成分分析正是适应这一要求产生的，是解决这类题的理想工具。
同样，在科普效果评估的过程中也存在着这样的问题。
科普效果是很难具体量化的。
在实际评估工作中，我们常常会选用几个有代表性的综合指标，采用打分的方法来进行评估，故综合指标的选取是个重点和难点。
如上所述，主成分分析法正是解决这一问题的理想工具。
因为评估所涉及的众多变量之间既然有一定的相关性，就必然存在着起支配作用的因素。
根据这一点，通过对原始变量相关矩阵内部结构的关系研究，找出影响科普效果某一要素的几个综合指标，使综合指标为原来变量的线性拟合。
这样，综合指标不仅保留了原始变量的主要信息，且彼此间不相关，又比原始变量具有某些更优越的性质，就使我们在研究复杂的科普效果评估问题时，容易抓住主要矛盾。
上述想法可进一步概述为：设某科普效果评估要素涉及个指标，这指标构成的维随机向量为。
对作正交变换，令其中为正交阵的各分量是不相关的，使得的各分量在某个评估要素中的作用容易解释，这就使得我们有可能从主分量中选择主要成分，削除对这一要素影响微弱的部分，通过对主分量的重点分析，达到对原始变量进行分析的目的。
各分量是原始变量线性组合，不同的分量表示原始变量之间不同的影响关系。
由于这些基本关系很可能与特定的作用过程相联系，主成分分析使我们能从错综复杂的科普评估要素的众多指标中，找出一些主要成分，以便有效地利用大量统计数据，进行科普效果评估分析，使我
们在研究科普效果评估问题中，可能得到深层次的一些启发，把科普效果评估研究引向深入。
例如，在对科普产品开发和利用这一要素的评估中，涉及科普创作人数百万人、科普作品发行量百万人、科普产业化（科普示范基地数百万人）等多项指标。
经过主成分分析计算，最后确定个或个主成分作为综合评价科普产品利用和开发的综合指标，变量数减少，并达到一定的可信度，就容易进行科普效果的评估。
主成分分析法的基本原理：
主成分分析法是一种降维的统计方法，它借助于一个正交变换，将其分量相关的原随机向量转化成其分量不相关的新随机向量，这在代数上表现为将原随机向量的协方差阵变换成对角形阵，在几何上表现为将原坐标系变换成新的正交坐标系，使之指向样本点散布最开的p 个正交方向，然后对多维变量系统进行降维处理，使之能以一个较高的精度转换成低维变量系统，再通过构造适当的价值函数，进一步把低维系统转化成一维系统。
主成分分析的原理是设法将原来变量重新组合成一组新的相互无关的几个综合变量，同时根据实际需要从中可以取出几个较少的总和变量尽可能多地反映原来变量的信息的统计方法叫做主成分分析或称主分量分析，也是数学上处理降维的一种方法。
主成分分析是设法将原来众多具有一定相关性（比如P个指标），重新组合成一组新的互相无关的综合指标来代替原来的指标。
通常数学上的处理就是将
原来P个指标作线性组合，作为新的综合指标。
最经典的做法就是用F1（选取的第一个线性组合，即第一个综合指标）的方差来表达，即Va（rF1）越大，表示F1包含的信息越多。
因此在所有的线性组合中选取的F1应该是方差最大的，故称F1为第一主成分。
如果第一主成分不足以代表原来P个指标的信息，再考虑选取F2即选第二个线性组合，为了有效地反映原来信息，F1已有的信息就不需要再出现再F2中，用数学语言表达就是要求Cov（F1,F2）=0，则称F2为第二主成分，依此类推可以构造出第三、第四，……，第P个主成分。
[1]
主成分分析的主要作用：
概括起来说，主成分分析主要由以下几个方面的作用。
1．主成分分析能降低所研究的数据空间的维数。
即用研究m维的Y空间代替p维的X空间(m＜p)，而低维的Y空间代替高维的x 空间所损失的信息很少。
即：使只有一个主成分Y l(即 m＝1)时，这个Y l仍是使用全部X变量(p个)得到的。
例如要计算Yl的均值也得使用全部x的均值。
在所选的前m个主成分中，如果某个X i的系数全部近似于零的话，就可以把这个X i删除，这也是一种删除多余变量的方法。
2．有时可通过因子负荷a ij的结论，弄清X变量间的某些关系。
3．多维数据的一种图形表示方法。
我们知道当维数大于3时便不能画出几何图形，多元统计研究的问题大都多于3个变量。
要把研
究的问题用图形表示出来是不可能的。
然而，经过主成分分析后，我们可以选取前两个主成分或其中某两个主成分，根据主成分的得分，画出n个样品在二维平面上的分布况，由图形可直观地看出各样品在主分量中的地位，进而还可以对样本进行分类处理，可以由图形发现远离大多数样本点的离群点。
4．由主成分分析法构造回归模型。
即把各主成分作为新自变量代替原来自变量x做回归分析。
5．用主成分分析筛选回归变量。
回归变量的选择有着重的实际意义，为了使模型本身易于做结构分析、控制和预报，好从原始变量所构成的子集合中选择最佳变量，构成最佳变量集合。
用主成分分析筛选变量，可以用较少的计算量来选择量，获得选择最佳变量子集合的效果。
主成分分析法的计算步骤：
1、原始指标数据的标准化采集p 维随机向量x=
(x1,X2,...,X p)T)n 个样品x i= (x i1,x i2,...,x ip)T，i=1,2,…,n，n＞p，构造样本阵，对样本阵元进行如下标准化变换：
其中，得标准化阵Z。
2、对标准化阵Z 求相关系数矩阵
其中,。
3、解样本相关矩阵R 的特征方程得p 个特征根,确定主成分
按确定m 值，使信息的利用率达85%以上，对每个λj, j=1,2,...,m, 解方程组Rb= λj b得单位特征向量。
4、将标准化后的指标变量转换为主成分
U1称为第一主成分,U2称为第二主成分,…,U p称为第p 主成分。
5 、对m 个主成分进行综合评价
对m 个主成分进行加权求和，即得最终评价值，权数为每个主成分的方差贡献率。
主成分分析法的优缺点：
优点：
①可消除评估指标之间的相关影响。
因为主成分分析法在对原始数据指标变量进行变换后形成了彼此相互独立的主成分，而且实践证明指标间相关程度越高，主成分分析效果越好。
②可减少指标选择的工作量，对于其他评估方法，由于难以消除评估指标间的相关影响，所以选择指标时要花费不少精力，而主成分分析法由于可以消除这种相关影响，所以在指标选择上相对容易些。
③主成分分析中各主成分是按方差大小依次排列顺序的，在分析问题时，可以舍弃一部分主成分，只取前面方差较大的几个主成分来代表原变量，从而减少了计算工作量。
用主成分分析法作综合评估时，由于选择的原则是累计贡献率≥85%，不至于因为节省了工作量却把关键指标漏掉而影响评估结果。
缺点：
①在主成分分析中，我们首先应保证所提取的前几个主成分的累计贡献率达到一个较高的水平（即变量降维后的信息量须保持在一个较高水平上），其次对这些被提取的主成分必须都能够给出符合实际背景和意义的解释（否则主成分将空有信息量而无实际含义）。
②主成分的解释其含义一般多少带有点模糊性，不像原始变量的含义那么清楚、确切，这是变量降维过程中不得不付出的代价。
因此，提取的主成分个数m通常应明显小于原始变量个数p（除非p本身较
小），否则维数降低的“利”可能抵不过主成分含义不如原始变量清楚的“弊”。
③当主成分的因子负荷的符号有正有负时，综合评价函数意义就不明确。
