基于PCA主成分分析的Hotelling T2、SPE（均方预测误差 Squared Prediction Error）的故障诊断与分类算法，相比大数据分析常用的故障检测算法，新方法更加准确。

主要介绍了在Python中使用K-Means聚类和PCA主成分分析进行图像压缩，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧

主成分分析数据文件AMZN.csv

本人利用NTSYS-PC做主成分分析的操作步骤视频

主成分分析法与逐步聚类法在树种分类中的应用.pdf

一、概述 主成分分析法（PCA）主要应用于数据降维。其思想是使用较少的变量来取代原先较多的变量，以实现节省数据量的效果。需要指出，若原始变量之间互相正交，即线性无关，则主成分分析法没有效果。 二、原理 假定有n个样本，每个样本有p个变量描述，则所有数据构成了一个n*p阶的矩阵X X = [[dat1], [dat2], ..... [datn]] 但我们希望通过q个变量来描述这些数据（q<p），最简单地，可以取之前p个变量的线性组合，记为Z。对于n中的第i个数据，有 Z[i,1] = a[1,1]*x[i,1] + a[1,2]*x[i,2] +...+ a[1,p]*x[i,p

主成分分析(Principal components analysis)是最常用的降维方法 算法步骤： （1）对所有样本进行中心化操作 （2）计算样本的协方差矩阵 （3）对协方差矩阵做特征值分解 （4）取最大的d个特征值对应的特征向量，构造投影矩阵

主成分分析(PCA)python实现(含数据集)，结构清晰，适合初学者

基于模糊聚类和主成分分析的高职院校内涵建设梯度情况评价研究——以福建省为例.pdf

玉米自交系抗旱相关性状的主成分分析与模糊聚类.pdf