PCA原理剖析
矩陣的秩 特徵向量 特徵值是什麼？
此篇博客主要分析PCA有什麼劣勢以及產生的原因，對PCA還不清楚的可以結合上面兩個博客從多角度深入瞭解PCA。
劣勢一，在對數據完全無知的情況下，PCA變換並不能得到較好的保留數據信息。
因爲PCA需要對數據進行預處理，第一步需要對其進行中心化，如果數據的尺度不統一，還需要標準化。通常的標準化方式是除以標準差。這裏可能就出出現一個問題，比如標準差很小，接近於零，尤其是被噪聲污染的數據，噪聲的標準差對數據的放大作用更顯著，而沒被噪聲污染的數據其在標準化的過程中放大作用較小。
劣勢二，對降維最終得到的數目，也就是潛在的隱變量的數目，不能很好的估計。
劣勢三，PCA原理主要是爲了消除變量之間的相關性，並且假設這種相關性是線性的，對於非線性的依賴關係則不能得到很好的結果。
使用PCA進行線性降維後樣本間的非線性相關性有可能會丟失。
判斷是否是線性降維過程可以用一個線性變換表示決定。pca降維的過程可以通過數據乘以一個矩陣表示，因此就是一個樸素的線性變換。