PCA广义分析法降维，就是将高维度的数据降低到低维度空间，同时降维之后的数据又能够很好的表征原来数据的特性。

pca主成分分析法 有助有帮助初学者进行学习，PCA步骤： （1）对原始数据进行标准化处理 （2）计算样本相关系数矩阵 （3）计算相关系数矩阵R的特征值和相应的特征向量 （4）选择重要的主成分，写出主成分表达式 下例中企业综合实力排序问题，其中各列分别为：企业序号；净利润率；固定资产利润率；总产值利润率；销售收入利润率；产品成本利润率；物耗利润率；人均利润；流动资金 x = 1.0000 40.4000 24.7000 7.2000 6.1000 8.3000 8.7000 2.4420 20.0000 2.0000

思路超清晰的PCA算法讲解笔记

用于异常值检测，使用的方法为RPCA

机器学习基础 对在机器学习中用到的知识进行了总结。期末测试重点知识点总结。

包含有主成分分析PCA算法、独立成分分析ICA算法、慢特征分析SFA算法及其模型，很好用。

做数据预处理、数据降维、特征提取、T2和SPE统计量、Matplotlib绘图、成分得分矩阵、多层T2和SPE值Pyecharts三维图、主元贡献率碎石图、主元累计贡献率图、相关性分析热力图等等。

机器学习课程设计—PCA降维算法实践，内含源码及报告(包括应用实例)

理解 “使用Numpy模拟PCA计算过程”与“使用sklearn进行PCA降维运算”两种方法；把 iris四维数据集降维，画出散点图

dhu大威机器学习绿萝pca大作业报告，含程序代码、结果图、扩展题等，结构完整，内容清晰，欢迎需要的同学借鉴学习