簡單地講，PCA是一個降維的過程，ICA則是幫助你從多個維度分離有用數據的過程。
附上兩個鏈接地址：
PCA: Principal Component Analysis explained visually
ICA: What is the difference between PCA and ICA?
主成分分析（PCA）
3D示例：
在三個維度上，PCA更有用，因爲很難看清數據雲。在下面的例子中，原始數據以3D形式繪製，但您可以通過轉換將數據投影到2D中，與查找相機角度不同：旋轉軸以找到最佳角度。要查看“官方”PCA轉換。
請單擊“顯示PCA”按鈕。PCA變換確保水平軸PC1變化最大，垂直軸PC2次之，第三軸PC3最小。很明顯，PC3是我們放棄的。
獨立成分分析（ICA）
作爲ICA的一個例子，考慮兩個圖像：
將它們按不同比例混合製作這兩種混合物：
如果我們現在將ICA應用於這些圖像，我們會得到以下結果：
雖然不是100％完美，但它是兩幅混合圖像的完美分離。
總結：
當你希望查找數據的排名較低的表示時，PCA可以提供幫助；
當你希望將數據表示形式看作獨立的子元素時，ICA可以提供幫助；
通俗的將：PCA有助於壓縮數據，而ICA有助於分離數據。
注意1：PCA和SVD是相同的，通常使用中心數據矩陣的SVD更好，因爲SVD算法比PCA更快，更穩定。
注意2：在某些情況下，NMF（非負矩陣分解）可以用作ICA。在NMF中，您希望找到的基礎是幫助您將數據重建爲基礎向量的正向求和。這意味着基礎將具有表示原始數據部分的矢量，如果數據包含圖像，則NMF基礎包含部分圖像，這些圖像可幫助您重建數據集中的任何圖像。