主成分分析法的原理应用及计算步骤..
统计学中的主成分分析
统计学中的主成分分析主成分分析（Principal Component Analysis, PCA）是一种多变量分析方法，用于降维和数据可视化。
它通过将原始数据转换为新的坐标系，使得转换后的数据能够保留原始数据的主要变化趋势，并且可以按照重要性进行排序。
在本文中，将介绍主成分分析的原理、应用场景和步骤。
一、主成分分析原理主成分分析的核心是寻找数据中的主要变化趋势，即找到数据中的主成分。
主成分是数据最大方差方向上的投影，也即是能够解释数据中最大不同的变量。
对于一个具有p个变量的数据集，主成分分析可以得到p个主成分，按照重要性递减排序。
通过选择适当数量的主成分，可以实现对数据的降维和可视化。
主成分分析的计算过程可以通过特征值分解或奇异值分解来实现。
特征值分解会得到数据的特征向量和特征值，而奇异值分解则可以直接得到主成分。
在实际应用中，奇异值分解是更常用的方法。
二、主成分分析的应用场景主成分分析广泛应用于各个领域，包括金融、生物学、社会科学等。
下面将介绍主成分分析在这些领域的具体应用。
1. 金融：主成分分析常用于资产组合管理和风险管理。
通过将各种金融数据进行主成分分析，可以获得具有代表性的主成分，从而有效降低资产组合的维度，减少投资组合中的相关风险。
2. 生物学：主成分分析可以应用于基因表达数据的分析。
通过主成分分析，可以从大量的基因表达数据中提取出基因表达的主要变化趋势，帮助研究人员理解基因与表型之间的关系。
3. 社会科学：主成分分析可以用于社会调查数据的分析。
通过对调查数据进行主成分分析，可以发现不同变量之间的相关性，进而揭示不同因素对于社会问题的影响程度。
三、主成分分析的步骤主成分分析的步骤通常包括以下几个步骤：1. 数据标准化：对原始数据进行标准化处理，将不同量级的变量转化为标准差为1的变量。
这一步骤是为了消除变量间的量纲差异。
2. 计算协方差矩阵：根据标准化后的数据计算协方差矩阵，用于度量变量之间的相关性。
主成分分析法及其应用
主成分分析法及其应用一、本文概述主成分分析法（Principal Component Analysis，简称PCA）是一种广泛应用于数据降维和特征提取的统计方法。
它通过正交变换将原始数据集中的多个变量转换为少数几个互不相关的主成分，这些主成分能够最大程度地保留原始数据集中的信息。
本文旨在全面介绍主成分分析法的基本原理、实现步骤以及在各个领域中的应用案例。
我们将详细阐述主成分分析法的数学基础和算法流程，包括协方差矩阵、特征值、特征向量等关键概念的计算方法。
然后，我们将通过实例演示如何使用主成分分析法进行数据降维和特征提取，以及如何通过可视化工具展示降维后的数据效果。
我们将探讨主成分分析法在机器学习、图像处理、生物信息学、社会科学等多个领域中的实际应用，展示其在数据分析和处理中的重要价值和潜力。
二、主成分分析法的基本原理主成分分析法（Principal Component Analysis，简称PCA）是一种在多个变量中找出主要影响因素，并通过降维技术把多个变量转化为少数几个互不相关的综合变量的统计方法。
这种方法在保持数据信息损失最小的原则下，通过正交变换将原始数据转化为一个新的坐标系统，使得在这个新的坐标系统中，任何数据的最大方差都投影在第一主成分上，第二大的方差都投影在第二主成分上，以此类推。
变量降维：在多数情况下，原始数据集中可能存在多个变量，这些变量之间可能存在相关性。
主成分分析通过构造新的变量（即主成分），这些新变量是原始变量的线性组合，并且新变量之间互不相关，从而将原始的高维数据空间降维到低维空间，实现数据的简化。
方差最大化：主成分分析的另一个重要原理是方差最大化。
这意味着，第一个主成分将捕获数据中的最大方差，第二个主成分捕获第二大方差，以此类推。
通过这种方式，主成分分析能够识别出数据中的主要变化方向和模式。
数据解释性：主成分分析生成的主成分是对原始数据的线性变换，因此，每个主成分都可以被解释为原始变量的某种组合。
主成分分析法的步骤和原理[技巧]
![主成分分析法的步骤和原理[技巧]](https://img.taocdn.com/s3/m/b03d7b9baef8941ea76e0598.png)
主成分分析法的步骤和原理[技巧](一)主成分分析法的基本思想主成分分析(Principal Component Analysis)是利用降维的思想，将多个变量转化为少数几个综合变量(即主成分)，其中每个主成分都是原始变量的线性组合，各主成分之间互不相关，从而这些主成分能够反映始变量的绝大部分信息，[2]且所含的信息互不重叠。
采用这种方法可以克服单一的财务指标不能真实反映公司的财务情况的缺点，引进多方面的财务指标，但又将复杂因素归结为几个主成分，使得复杂问题得以简化，同时得到更为科学、准确的财务信息。
(二)主成分分析法代数模型假设用p个变量来描述研究对象，分别用X，X…X来表示，这p个变量12p t构成的p维随机向量为X=(X，X…X)。
设随机向量X的均值为μ，协方差矩12p阵为Σ。
假设 X 是以 n 个标量随机变量组成的列向量，并且μk 是其第k个元素的期望值，即，μk= E(xk)，协方差矩阵然后被定义为:Σ=E{(X-E[X])(X-E[X])}=(如图对X进行线性变化，考虑原始变量的线性组合:Z1=μ11X1+μ12X2+…μ1pXpZ2=μ21X1+μ22X2+…μ2pXp…… …… ……Zp=μp1X1+μp2X2+…μppXp主成分是不相关的线性组合Z，Z……Z，并且Z是X1，X2…Xp的线性组12p1 合中方差最大者，Z是与Z不相关的线性组合中方差最大者，…，Zp是与Z，211Z ……Z都不相关的线性组合中方差最大者。
2p-1(三)主成分分析法基本步骤第一步:设估计样本数为n，选取的财务指标数为p，则由估计样本的原始数据可得矩阵X=(x)，其中x表示第i家上市公司的第j项财务指标数据。
ijm×pij 第二步:为了消除各项财务指标之间在量纲化和数量级上的差别，对指标数据进行标准化，得到标准化矩阵(系统自动生成)。
第三步:根据标准化数据矩阵建立协方差矩阵R，是反映标准化后的数据之间相关关系密切程度的统计指标，值越大，说明有必要对数据进行主成分分析。
主成分分析法的原理应用及计算步骤57270
一、概述在处理信息时,当两个变量之间有一定相关关系时,可以解释为这两个变量反映此课题的信息有一定的重叠,例如,高校科研状况评价中的立项课题数与项目经费、经费支出等之间会存在较高的相关性;学生综合评价研究中的专业基础课成绩与专业课成绩、获奖学金次数等之间也会存在较高的相关性。
而变量之间信息的高度重叠与高度相关会给统计方法的应用带来许多障碍。
为了解决这些问题,最简单与最直接的解决方案就是削减变量的个数,但这必然又会导致信息丢失与信息不完整等问题的产生。
为此,人们希望探索一种更为有效的解决方法,它既能大大减少参与数据建模的变量个数,同时也不会造成信息的大量丢失。
主成分分析正式这样一种能够有效降低变量维数,并已得到广泛应用的分析方法。
主成分分析以最少的信息丢失为前提,将众多的原有变量综合成较少几个综合指标,通常综合指标(主成分)有以下几个特点:↓主成分个数远远少于原有变量的个数原有变量综合成少数几个因子之后,因子将可以替代原有变量参与数据建模,这将大大减少分析过程中的计算工作量。
↓主成分能够反映原有变量的绝大部分信息因子并不就是原有变量的简单取舍,而就是原有变量重组后的结果,因此不会造成原有变量信息的大量丢失,并能够代表原有变量的绝大部分信息。
↓主成分之间应该互不相关通过主成分分析得出的新的综合指标(主成分)之间互不相关,因子参与数据建模能够有效地解决变量信息重叠、多重共线性等给分析应用带来的诸多问题。
↓主成分具有命名解释性总之,主成分分析法就是研究如何以最少的信息丢失将众多原有变量浓缩成少数几个因子,如何使因子具有一定的命名解释性的多元统计分析方法。
二、基本原理主成分分析就是数学上对数据降维的一种方法。
其基本思想就是设法将原来众多的具有一定相关性的指标X1,X2,…,XP(比如p 个指标),重新组合成一组较少个数的互不相关的综合指标Fm 来代替原来指标。
那么综合指标应该如何去提取,使其既能最大程度的反映原变量Xp 所代表的信息,又能保证新指标之间保持相互无关(信息不重叠)。
(完整版)主成分分析法的步骤和原理
（一）主成分分析法的基本思想主成分分析（Principal Component Analysis ）是利用降维的思想，将多个变量转化为少数几个综合变量（即主成分），其中每个主成分都是原始变量的线性组合，各主成分之间互不相关，从而这些主成分能够反映始变量的绝大部分信息，且所含的信息互不重叠。
[2]采用这种方法可以克服单一的财务指标不能真实反映公司的财务情况的缺点，引进多方面的财务指标，但又将复杂因素归结为几个主成分，使得复杂问题得以简化，同时得到更为科学、准确的财务信息。
（二）主成分分析法代数模型假设用p 个变量来描述研究对象，分别用X 1，X 2…X p 来表示，这p 个变量构成的p 维随机向量为X=(X 1，X 2…X p )t 。
设随机向量X 的均值为μ，协方差矩阵为Σ。
对X 进行线性变化，考虑原始变量的线性组合： Z 1=μ11X 1+μ12X 2+…μ1p X pZ 2=μ21X 1+μ22X 2+…μ2p X p…… …… ……Z p =μp1X 1+μp2X 2+…μpp X p主成分是不相关的线性组合Z 1，Z 2……Z p ，并且Z 1是X 1，X 2…X p 的线性组合中方差最大者，Z 2是与Z 1不相关的线性组合中方差最大者，…，Z p 是与Z 1，Z 2 ……Z p-1都不相关的线性组合中方差最大者。
（三）主成分分析法基本步骤第一步：设估计样本数为n ，选取的财务指标数为p ，则由估计样本的原始数据可得矩阵X=(x ij )m ×p ，其中x ij 表示第i 家上市公司的第j 项财务指标数据。
第二步：为了消除各项财务指标之间在量纲化和数量级上的差别，对指标数据进行标准化，得到标准化矩阵（系统自动生成）。
第三步：根据标准化数据矩阵建立协方差矩阵R ，是反映标准化后的数据之间相关关系密切程度的统计指标，值越大，说明有必要对数据进行主成分分析。
其中，R ij （i ，j=1，2，…，p ）为原始变量X i 与X j 的相关系数。
主成分分析法的原理应用及计算步骤
主成分分析法的原理应用及计算步骤1.计算协方差矩阵：首先，我们需要将原始数据进行标准化处理，即使每个特征都有零均值和单位方差。
假设我们有m个n维样本，数据集为X，标准化后的数据集为Z。
那么，计算协方差矩阵的公式如下：Cov(Z) = (1/m) * Z^T * Z其中，Z^T为Z的转置。
2.计算特征向量：通过对协方差矩阵进行特征值分解，可以得到特征值和特征向量。
特征值表示了新坐标系中每个特征的重要性程度，特征向量则表示了数据在新坐标系中的方向。
将协方差矩阵记为C，特征值记为λ1, λ2, ..., λn，特征向量记为v1, v2, ..., vn，那么特征值分解的公式如下：C*v=λ*v计算得到的特征向量按特征值的大小进行排序，从大到小排列。
3.选择主成分：从特征向量中选择与前k个最大特征值对应的特征向量作为主成分，即新坐标系的基向量。
这些主成分可以解释原始数据中大部分的方差。
我们可以通过设定一个阈值或者看特征值与总特征值之和的比例来确定保留的主成分个数。
4.映射数据：对于一个n维的原始数据样本x，通过将其投影到前k个主成分上，可以得到一个k维的新样本，使得新样本的方差最大化。
新样本的计算公式如下：y=W*x其中，y为新样本，W为特征向量矩阵，x为原始数据样本。
PCA的应用：1.数据降维：PCA可以通过主成分的选择，将高维数据降低到低维空间中，减少数据的复杂性和冗余性，提高计算效率。
2.特征提取：PCA可以通过寻找数据中的最相关的特征，提取出主要的信息，从而减小噪声的影响。
3.数据可视化：通过将数据映射到二维或三维空间中，PCA可以帮助我们更好地理解和解释数据。
总结：主成分分析是一种常用的数据降维方法，它通过投影数据到一个新的坐标系中，使得投影后的数据具有最大的方差。
通过计算协方差矩阵和特征向量，我们可以得到主成分，并将原始数据映射到新的坐标系中。
PCA 在数据降维、特征提取和数据可视化等方面有着广泛的应用。
PCA(主成分分析)的原理与应用
PCA(主成分分析)的原理与应用简介主成分分析（PCA）是一种常用的多变量数据降维技术，用于发现数据中的主要模式与关系。
通过PCA，可以将高维数据转换为低维表示，从而减少计算复杂度、去除冗余信息、提取关键特征等。
本文将介绍PCA的基本原理和常见的应用场景。
1. PCA的基本原理PCA的基本思想是通过线性变换将原始数据投影到新的坐标系中，新的坐标系由一组互相正交的基向量构成。
这些基向量被称为主成分，每个主成分都是原始数据的一个线性组合。
通过保留最重要的主成分，可以实现数据降维。
1.1 数据标准化在应用PCA之前，通常需要对原始数据进行标准化处理。
标准化可以使不同特征的数据具有相同的尺度，避免某些特征对PCA结果的影响过大。
常见的标准化方法有均值方差标准化和最大最小值标准化。
1.2 协方差矩阵与特征值分解PCA的核心是通过计算协方差矩阵来确定主成分。
协方差矩阵反映了不同维度之间的相关性。
通过对协方差矩阵进行特征值分解，可以得到特征值和特征向量。
特征值表示了数据在对应特征向量方向上的方差，特征向量则表示了变换后的坐标系中各维度的方向。
1.3 选择主成分在进行特征值分解后，主成分的选择是根据特征值的大小进行的。
通常保留较大的特征值对应的特征向量作为主成分，因为这些特征值表示了数据的主要变化模式。
1.4 重构数据通过选取主成分，可以将原始数据投影到新的坐标系中。
重构数据可以通过将原始数据乘以选取的主成分对应的特征向量来实现。
2. PCA的应用场景PCA有广泛的应用场景，以下列举一些常见的应用领域。
2.1 降维与特征选择在高维数据中，存在大量冗余和噪音信息。
通过使用PCA，可以将高维数据降低到较低的维度，并保留重要的特征，从而提高数据的表示效果和计算效率。
2.2 数据压缩与图像处理PCA在数据压缩和图像处理中也有广泛的应用。
通过PCA，可以用较少的数据表示信息量较大的图像，从而实现图像的压缩和存储。
同时，还可以对图像进行去噪、增强和特征提取等操作。
主成分分析报告
主成分分析报告1. 简介主成分分析（Principal Component Analysis, PCA）是一种常用的数据降维技术，用于将高维数据集映射到低维子空间。
主成分分析主要通过计算数据集中的主成分，来捕捉数据中的主要变化方向和模式。
本报告将介绍主成分分析的原理、应用、算法实现以及使用注意事项。
2. 主成分分析原理主成分分析旨在将高维数据投影到低维空间，并保留尽可能多的有用信息。
其基本思想是通过线性变换，将原始数据映射到新的坐标系中，其中新坐标系的轴是原始数据的主成分方向。
主成分分析的步骤如下：1.计算原始数据的协方差矩阵；2.对协方差矩阵进行特征值分解，得到特征向量和特征值；3.选择最大的k个特征值对应的特征向量，构成变换矩阵；4.将原始数据通过变换矩阵进行映射，得到降维后的数据。
3. 主成分分析的应用主成分分析在数据处理和分析中有很多应用，其中包括：1.数据降维：主成分分析可以将高维数据集投影到低维空间，从而减少数据的维度。
这对于处理大规模数据、可视化和提高计算效率都非常有用。
2.数据可视化：通过将高维数据映射到二维或三维空间，可以更直观地展示数据的结构和模式。
3.噪声过滤：主成分分析可以过滤掉数据中的噪声，保留主要的信号。
4.特征提取：通过提取数据的主成分，可以捕捉到数据的主要变化模式，便于后续分析。
4. 主成分分析算法实现以下是使用Python进行主成分分析的示例代码：import numpy as npfrom sklearn.decomposition import PCA# 创建一个样本矩阵X = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])# 创建PCA对象并指定主成分的数量pca = PCA(n_components=2)# 执行主成分分析X_pca = pca.fit_transform(X)# 输出降维后的数据print(X_pca)在上述代码中，首先创建了一个样本矩阵X，然后创建了一个PCA对象，并指定要保留的主成分数量为2。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
一、概述在处理信息时，当两个变量之间有一定相关关系时，可以解释为这两个变量反映此课题的信息有一定的重叠，例如，高校科研状况评价中的立项课题数与项目经费、经费支出等之间会存在较高的相关性；学生综合评价研究中的专业基础课成绩与专业课成绩、获奖学金次数等之间也会存在较高的相关性。
而变量之间信息的高度重叠和高度相关会给统计方法的应用带来许多障碍。
为了解决这些问题，最简单和最直接的解决方案是削减变量的个数，但这必然又会导致信息丢失和信息不完整等问题的产生。
为此，人们希望探索一种更为有效的解决方法，它既能大大减少参与数据建模的变量个数，同时也不会造成信息的大量丢失。
主成分分析正式这样一种能够有效降低变量维数，并已得到广泛应用的分析方法。
主成分分析以最少的信息丢失为前提，将众多的原有变量综合成较少几个综合指标，通常综合指标（主成分）有以下几个特点：↓主成分个数远远少于原有变量的个数原有变量综合成少数几个因子之后，因子将可以替代原有变量参与数据建模，这将大大减少分析过程中的计算工作量。
↓主成分能够反映原有变量的绝大部分信息因子并不是原有变量的简单取舍，而是原有变量重组后的结果，因此不会造成原有变量信息的大量丢失，并能够代表原有变量的绝大部分信息。
↓主成分之间应该互不相关通过主成分分析得出的新的综合指标（主成分）之间互不相关，因子参与数据建模能够有效地解决变量信息重叠、多重共线性等给分析应用带来的诸多问题。
↓主成分具有命名解释性总之，主成分分析法是研究如何以最少的信息丢失将众多原有变量浓缩成少数几个因子，如何使因子具有一定的命名解释性的多元统计分析方法。
二、基本原理主成分分析是数学上对数据降维的一种方法。
其基本思想是设法将原来众多的具有一定相关性的指标X1，X2，…，XP （比如p 个指标），重新组合成一组较少个数的互不相关的综合指标Fm 来代替原来指标。
那么综合指标应该如何去提取，使其既能最大程度的反映原变量Xp 所代表的信息，又能保证新指标之间保持相互无关（信息不重叠）。
设F1表示原变量的第一个线性组合所形成的主成分指标，即11112121...p pF a X a X a X =+++,由数学知识可知，每一个主成分所提取的信息量可用其方差来度量，其方差Var(F1)越大，表示F1包含的信息越多。
常常希望第一主成分F1所含的信息量最大，因此在所有的线性组合中选取的F1应该是X1，X2，…，XP 的所有线性组合中方差最大的，故称F1为第一主成分。
如果第一主成分不足以代表原来p 个指标的信息，再考虑选取第二个主成分指标F2，为有效地反映原信息，F1已有的信息就不需要再出现在F2中，即F2与F1要保持独立、不相关，用数学语言表达就是其协方差Cov(F1, F2)=0，所以F2是与F1不相关的X1，X2，…，XP 的所有线性组合中方差最大的，故称F2为第二主成分，依此类推构造出的F1、F2、……、Fm 为原变量指标X1、X2……XP 第一、第二、……、第m 个主成分。
11111221221122221122...............p p p pm m m mp p F a X a X a X F a X a X a X F a X a X a X =+++⎧⎪=+++⎪⎨⎪⎪=+++⎩ 根据以上分析得知：(1) Fi 与Fj 互不相关，即Cov(Fi ，Fj) = 0,并有Var(Fi)=ai ’Σai ，其中Σ为X 的协方差阵(2)F1是X1，X2，…，Xp 的一切线性组合（系数满足上述要求）中方差最大的,……,即Fm 是与F1，F2，……，Fm －1都不相关的X1，X2，…，XP 的所有线性组合中方差最大者。
F1，F2，…，Fm （m ≤p ）为构造的新变量指标，即原变量指标的第一、第二、……、第m 个主成分。
由以上分析可见，主成分分析法的主要任务有两点：（1）确定各主成分Fi （i=1，2，…，m ）关于原变量Xj （j=1，2 ，…， p ）的表达式，即系数ij a （ i=1，2，…，m ； j=1，2 ，…，p ）。
从数学上可以证明，原变量协方差矩阵的特征根是主成分的方差，所以前m 个较大特征根就代表前m 个较大的主成分方差值；原变量协方差矩阵前m 个较大的特征值i λ（这样选取才能保证主成分的方差依次最大）所对应的特征向量就是相应主成分Fi 表达式的系数i a ，为了加以限制，系数i a 启用的是i λ对应的单位化的特征向量，即有'ai ai = 1。
（2）计算主成分载荷，主成分载荷是反映主成分Fi 与原变量Xj 之间的相互关联程度：(,)(,1,2,,;1,2,,)k i ki P Z x i p k m ===三、主成分分析法的计算步骤主成分分析的具体步骤如下： （1）计算协方差矩阵计算样品数据的协方差矩阵：Σ=(s ij )p ⨯p ，其中11()()1nij ki i kj j k s x x x x n ==---∑ i ，j=1，2，…，p （2）求出Σ的特征值i λ及相应的正交化单位特征向量i aΣ的前m 个较大的特征值λ1≥λ2≥…λm>0,就是前m 个主成分对应的方差，i λ对应的单位特征向量i a 就是主成分Fi 的关于原变量的系数，则原变量的第i 个主成分Fi 为：Fi ='i a X主成分的方差（信息）贡献率用来反映信息量的大小，i α为：1/mi i i i αλλ==∑（3）选择主成分最终要选择几个主成分，即F1,F2,……,Fm 中m 的确定是通过方差（信息）累计贡献率G(m)来确定11()/pmi k i k G m λλ===∑∑当累积贡献率大于85%时，就认为能足够反映原来变量的信息了，对应的m 就是抽取的前m 个主成分。
（4）计算主成分载荷主成分载荷是反映主成分Fi 与原变量Xj 之间的相互关联程度，原来变量Xj （j=1，2 ，…， p ）在诸主成分Fi （i=1，2，…，m ）上的荷载 lij （ i=1，2，…，m ； j=1，2 ，…，p ）。
：(,)(1,2,,;1,2,,)i j ij l Z X i m j p ===在SPSS 软件中主成分分析后的分析结果中，“成分矩阵”反应的就是主成分载荷矩阵。
（5）计算主成分得分计算样品在m 个主成分上的得分：1122...i i i pi p F a X a X a X =+++ i = 1，2，…，m实际应用时，指标的量纲往往不同，所以在主成分计算之前应先消除量纲的影响。
消除数据的量纲有很多方法，常用方法是将原始数据标准化，即做如下数据变换：*1,2,...,;1,2,...,ij jijjx x x i n j p s -===其中：11n j ij i x x n ==∑，2211()1n j ij j i s x x n ==--∑ 根据数学公式知道，①任何随机变量对其作标准化变换后，其协方差与其相关系数是一回事，即标准化后的变量协方差矩阵就是其相关系数矩阵。
②另一方面，根据协方差的公式可以推得标准化后的协方差就是原变量的相关系数，亦即，标准化后的变量的协方差矩阵就是原变量的相关系数矩阵。
也就是说，在标准化前后变量的相关系数矩阵不变化。
根据以上论述，为消除量纲的影响，将变量标准化后再计算其协方差矩阵，就是直接计算原变量的相关系数矩阵，所以主成分分析的实际常用计算步骤是： ☆计算相关系数矩阵☆求出相关系数矩阵的特征值i λ及相应的正交化单位特征向量i a☆选择主成分 ☆计算主成分得分总结：原指标相关系数矩阵相应的特征值λi 为主成分方差的贡献，方差的贡献率为 1/pi i i i αλλ==∑，i α越大，说明相应的主成分反映综合信息的能力越强，可根据λi 的大小来提取主成分。
每一个主成分的组合系数（原变量在该主成分上的载荷）i a 就是相应特征值λi 所对应的单位特征向量。
主成分分析法的计算步骤1、原始指标数据的标准化采集p 维随机向量x = (x 1,X 2,...,X p )T )n 个样品x i = (x i 1,x i 2,...,x ip )T ，i=1,2,…,n ， n ＞p ，构造样本阵，对样本阵元进行如下标准化变换：其中，得标准化阵Z 。
2、对标准化阵Z 求相关系数矩阵其中, 。
3、解样本相关矩阵R 的特征方程得p 个特征根,确定主成分按确定m 值，使信息的利用率达85%以上，对每个λj , j=1,2,...,m, 解方程组Rb = λj b 得单位特征向量。
4、将标准化后的指标变量转换为主成分U 1称为第一主成分,U 2 称为第二主成分,…,U p 称为第p 主成分。
5 、对m 个主成分进行综合评价对m 个主成分进行加权求和，即得最终评价值，权数为每个主成分的方差贡献率。
一、主成分分析基本原理概念：主成分分析是把原来多个变量划为少数几个综合指标的一种统计分析方法。
从数学角度来看，这是一种降维处理技术。
思路：一个研究对象，往往是多要素的复杂系统。
变量太多无疑会增加分析问题的难度和复杂性，利用原变量之间的相关关系，用较少的新变量代替原来较多的变量，并使这些少数变量尽可能多的保留原来较多的变量所反应的信息，这样问题就简单化了。
原理：假定有n 个样本，每个样本共有p 个变量，构成一个n ×p 阶的数据矩阵，⎥⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎢⎣⎡=np n n p p x x x x x x x x x X 212222111211记原变量指标为x 1，x 2，…，x p ，设它们降维处理后的综合指标，即新变量为 z 1，z 2，z 3，… ，z m (m ≤p)，则系数l ij 的确定原则：①z i 与z j （i ≠j ；i ，j=1，2，…，m ）相互无关；②z 1是x 1，x 2，…，x P 的一切线性组合中方差最大者，z 2是与z 1不相关的x 1，x 2，…，x P 的所有线性组合中方差最大者； z m 是与z 1，z 2，……，z m －1都不相关的x 1，x 2，…x P ， 的所有线性组合中方差最大者。
新变量指标z 1，z 2，…，z m 分别称为原变量指标x 1，x 2，…，x P 的第1，第2，…，第m 主成分。
从以上的分析可以看出，主成分分析的实质就是确定原来变量x j （j=1，2 ，…， p ）在诸主成分z i （i=1，2，…，m ）上的荷载 l ij （ i=1，2，…，m ； j=1，2 ，…，p ）。
从数学上可以证明，它们分别是相关矩阵m 个较大的特征值所对应的特征向量。
二、主成分分析的计算步骤 1、计算相关系数矩阵r ij （i ，j =1，2，…，p ）为原变量x i 与x j 的相关系数， r ij =r ji ，其计算公式为⎪⎪⎩⎪⎪⎨⎧+++=+++=+++=p mp m m m p p pp x l x l x l z x l x l x l z x l x l x l z 22112222121212121111............⎥⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎢⎣⎡=pp p p p p r r r r r r r r r R 212222111211∑∑∑===----=nk nk jkj i kink j kj i kiij x xx xx x x xr 11221)()())((2、计算特征值与特征向量解特征方程，常用雅可比法（Jacobi ）求出特征值，并使其按大小顺序排列； 分别求出对应于特征值 的特征向量 ，要求 =1，即 其中表示向量 的第j 个分量。