这应该是最全的PCA原理总结了（下）

01PCA算法流程从上面两节我们可以看出，求样本x(i)的n'维的主成分其实就是求样本集的协方差矩阵XXT的前n'个特征值对应特征向量矩阵W，然后对于每个样本x(i)做如下变换z(i)=WTx(i)，即达到降维的PCA目的。下面我们看看具体的算法流程。输入：n维样本集D=(x(1),x(2),...,x(m))，要降维到的维数n'.输出：降维后的样本集D'1) 对所有的样本进行中心化：2) 计算样本的协方差矩阵XXT3) 对矩阵XXT进行特征值分解4）取出最大的n'个特征值对应的特征向量(w1,w2,...,wn'), 将所有的特征向量标准化后，组成特征向量矩阵W。5）对样本集中的每一个样本x(i),转化为新的样本z(i)=WTx(i)6) 得到输出样本集D'=(z(1),z(2),...,z(m))有时候，我们不指定降维后的n'的值，而是换种方式，指定一个降维到的主成分比重 ………………………………