SAS 系统是世界公认的权威性统计软件之一，是一个大型集成信息分析管理系统。 本次论文是用SAS 系统对2007 各地区农村居民家庭平均每人现金现金支出状况进行分析采用的数据是北京、天津等省农村居民家庭平均每人现金现金支出状（原始数据见附录）。 选出31省的情况作为统计分析数据，其中分析的项目为：期内现金支出、生产费用支出、家 庭经营费用支出、农业生产支出、牧业生产支出、购买生产性固定资产支出、税费支出、生活消费 现金支出、财产性支出、转移性支出，次用变量X1、X2、X3、X4、X5、X6、X7、X8、X9 、X10。运用SAS 软件，运用主成分分析的方法对数据进行处理： （一）对于所选取的统计数据用MEANS 过程进行简单描述统计分析，得出数据平均值、数据标准差等。 （二）对于所选取的统计数据用INSIGHT 模块做主成分分析计算协方差矩阵的特征值或是计算相关系数矩阵的特征值（Eigenvalue ）、简单统计量、相关系数矩阵、相关系数矩阵的特征值以及相关系数矩阵的特征向量。系统默认计算相关系数矩阵的特征值和特征向量。 （三）由相关系数矩阵的两个最大特征值的特征向量，可以写出第一、第二主成分以及第三主成分 的得分。从以上结论分析可以知道影响各地区地区农村居民家庭平均每人现金支出的主要因素，从、 可以更好的帮助国家调节国民经济和产业结构，使人民的生活更加富裕。

任务安排 1、机器学习导论       8、稀疏表示 2、KNN及其实现       9、核方法 3、K-means聚类      10、高斯混合模型 4、主成分分析          11、嵌入学习 5、线性判别分析      12、强化学习 6、贝叶斯方法          13、PageRank 7、逻辑回归              14、深度学习 主成分分析(PCA) Ⅰ算法背景：维数灾难       维数灾难最早是由理查德·贝尔曼(Richard E. Bellman)在考虑优化问题时提出来的 ，它用来描述当(数学)空间维度增加时，分析和组织高维空间(通常有成百上千维)中的数据，因

基于主成分分析和聚类分析对乐山各县区的教育水平综合评价

独立成分分析在通信信号识别、还原中的简单的实际应用

主成分分析理论介绍及举例Principal Component Analysis

主成分分析法案例讲解Ppt,多变量问题是经常会遇到的。变量太多，无疑会增加分析问题的难度与复杂性，而且在许多实际问题中，多个变量之间是具有一定的相关关系的。

最易懂的介绍主成份分析的PPt，从事图形处理，机器学习，数据挖掘和人工智能等方面开发人士必须掌握的知识。

主成分分析是一种常用的特征选择算法, 经典方法是计算各个特征之间的相关, 但是相关无法评估变量间 的非线性关系. 互信息可用于衡量两个变量间相互依赖的强弱程度, 且不局限于线性相关, 鉴于此, 提出一种基于互 信息的主成分分析特征选择算法. 该算法计算特征间的互信息, 以互信息矩阵的特征值作为评价准则确定主成分的 个数, 并衡量主成分分析特征选择的效果. 通过实例对所提出方法和传统主成分分析方法进行比较, 并以神经网络为 分类器分析分类效果.

各种类型的主成分分析详细代码，基于Matlab的完整实现

PCA是主成分分析，用于数据降维。