最近學習ML（Matlab），用到了PCA，參考了網上的一些資料，現在總結如下，以後忘記的話，可以回來看看。
參考地址：https://blog.csdn.net/qq1987924/article/details/45965431

先來看個例子：(借用參考地址的數據)
load hald; %載入matlab內部數據
[pc,score,latent,tsquare] = pca(ingredients); %調用pca分析函數
pc：是ingredients的協方差矩陣特征值對應的特征向量，排列按照特征值從大到小的順序排列。
負載矩陣pc =
　　-0.0678 -0.6460 0.5673 0.5062
　　-0.6785 -0.0200 -0.5440 0.4933
　　0.0290 0.7553 0.4036 0.5156
　　0.7309 -0.1085 -0.4684 0.4844
score：原數據集ingredients轉換到新空間的矩陣。
得分矩陣score =
　　36.8218 -6.8709 -4.5909 0.3967
　　29.6073 4.6109 -2.2476 -0.3958
　　-12.9818 -4.2049 0.9022 -1.1261
　　23.7147 -6.6341 1.8547 -0.3786
　　-0.5532 -4.4617 -6.0874 0.1424
　　-10.8125 -3.6466 0.9130 -0.1350
　　-32.5882 8.9798 -1.6063 0.0818
　　22.6064 10.7259 3.2365 0.3243
　　-9.2626 8.9854 -0.0169 -0.5437
　　-3.2840 -14.1573 7.0465 0.3405
　　9.2200 12.3861 3.4283 0.4352
　　-25.5849 -2.7817 -0.3867 0.4468
　　-26.9032 -2.9310 -2.4455 0.4116
latent:
ingredients協方差矩陣對應的特征值，從大到小排列，其實也是score矩陣每一列的方差，方差越大，也就
代表數據越離散，表示的信息越多
517.7969
　　67.4964
　　12.4054
　　0.2372
tsquare：
5.6803
　　3.0758
　　6.0002
　　2.6198
　　3.3681
　　0.5668
　　3.4818
　　3.9794
　　2.6086
　　7.4818
　　4.1830
　　2.2327
　　2.7216
這是一個統計量，用來衡量多變量之間的距離，這個距離是指樣本觀測值到數據集中心的距離。（不懂）
tsquare(i)=score(i,:)*inv(diag(latent))*score(i,:)‘
score(i,:) 得分矩陣的第i行
inv(diag(latent))：特征值組成的對角矩陣的 逆

下面按照參考blo裏面，進行驗證
[V,D] = eig(cov(ingredients))
　　V =特征向量
　　0.5062 0.5673 0.6460 -0.0678
　　0.4933 -0.5440 0.0200 -0.6785
　　0.5156 0.4036 -0.7553 0.0290
　　0.4844 -0.4684 0.1085 0.7309
　　D =特征值
　　0.2372 0 0 0
　　0 12.4054 0 0
　　0 0 67.4964 0
　　0 0 0 517.7969
pca是按特征值的大小排列的，這裏沒有按大小順序排列，僅僅計算了特征值和特征向量。

至於選取幾個主元，常用的方法也就是方差累計百分比法。

今天學習的時候，看到師姐的論文裏面有用到Hotelling T2圖，T2是多個變量共同累計的標量，通過單變量控制圖的形式來監控多變量工況，T2統計量的控制限

在二維面上表示一個橢圓。

目前還在看的過程中，還不懂什麽意思。

大家有懂的，請多多指教~~~

PCA(matlab)學習，與記錄