Global web icon
zhihu.com
https://www.zhihu.com/question/41120789
如何通俗易懂地讲解什么是 PCA（主成分分析）？ - 知乎
如何通俗易懂地讲解什么是 PCA（主成分分析）？ 博主没学过数理统计，最近看 paper 经常遇到，但是网上的讲解太专业看不懂，谁能通俗易懂的讲解一下，主成分分析作用是什么？
Global web icon
zhihu.com
https://www.zhihu.com/question/41120789/answers/up…
如何通俗易懂地讲解什么是 PCA（主成分分析）？ - 知乎
如何通俗易懂地讲解什么是 PCA（主成分分析）？ 博主没学过数理统计，最近看 paper 经常遇到，但是网上的讲解太专业看不懂，谁能通俗易懂的讲解一下，主成分分析作用是什么？
Global web icon
zhihu.com
https://www.zhihu.com/tardis/bd/ans/481966094
如何通俗易懂地讲解什么是 PCA（主成分分析）？
主元分析也就是PCA，主要用于数据降维。 1 什么是降维？ 比如说有如下的房价数据： 这种一维数据可以直接放在实数轴上：
Global web icon
zhihu.com
https://www.zhihu.com/question/516028313
主成分分析（PCA）的原理谁懂的？可以讲解下？ - 知乎
PCA 从三维缩减到二维后的散点图 PCA 在处理具有大量特征的数据集时非常有用。图像处理、基因组研究等常见应用总是需要处理数千甚至数万列数据。虽然拥有更多的数据总是好事，但有时数据中的信息量太大，我们的模型训练时间会变得无法想象的长，维度的诅咒也开始成为一个问题。有时，少即 ...
Global web icon
zhihu.com
https://www.zhihu.com/question/430655991
PCA图怎么看？ - 知乎
PCA结果图主要由5个部分组成 ①第一主成分坐标轴及主成分贡献率主成分贡献率，即每个主成分的方差在这一组变量中的总方差中所占的比例 ②纵坐标为第二主成分坐标及主成分贡献率 ③分组，图中分为TNBC组和非TNBC组，探究两者之间的关系 ④通常为百分之95置信区间，不同的圆圈代表不同分组 ...
Global web icon
zhihu.com
https://www.zhihu.com/tardis/bd/art/445309604
R统计绘图-PCA分析绘图及结果解读 (误差线，多边形，双Y轴图、球形检验、KMO和变量筛选等)
根据PCA分析的目的，有时专家审稿会要求对原始变量进行Bartlett's test of sphericity (球形检验)和Kaiser-Meyer-Olkin Measure of Sampling Adequacy (KMO采样充分性检验)，检验数据是否合适进行PCA (因子)分析，还要求对变量进行筛选 (communality<0.5)的变量。
Global web icon
zhihu.com
https://www.zhihu.com/question/28845451
独立成分分析 ( ICA ) 与主成分分析 ( PCA ) 的区别在哪里？ - 知乎
但在ICA之前，往往会对数据有一个预处理过程，那就是PCA与白化。 白化在这里先不提，PCA本质上来说就是一个降维过程，大大降低ICA的计算量。 PCA，白化后的结果如下图所示。 可以看到，原先的6路信号减少为3路，ICA仅需要这3路混合信号即可还原源信号。
Global web icon
zhihu.com
https://www.zhihu.com/question/593557698
PCA得分图横纵坐标的正负和数值大小代表什么？ - 知乎
c. 解释变异性：PCA得分图上的刻度数值还可以帮助解释数据集中的总变异性中有多少是由每个主成分贡献的。 第一主成分（PC1）通常解释最大比例的变异性，其后的主成分按解释变异性递减排序。
Global web icon
zhihu.com
https://www.zhihu.com/question/36530550
PCA（主成分分析）和EOF（经验正交函数分解）有什么区别？
PCA（主成分分析）和EOF（经验正交函数分解）有什么区别？ 我自己理解的是： EOF分析 - 作业部落 Cmd Markdown 编辑阅读器 （我写的） 要求特征向量的矩阵C在PCA与EOF不同： PCA中：C… 显示全部 关注者 89 被浏览
Global web icon
zhihu.com
https://www.zhihu.com/question/535301318
用R怎么做PCA分析？ - 知乎
数据质量评价 第一张图：PCA图，使用fviz pca ind函数。 PCA直观可以看到干预组和对照组完全没有分开，样本是按照3个批次来聚类的，数据存在很明显的批次效应。