欢迎来到主成分分析（PCA）的世界！

你好！如果你曾面对包含数十个变量的大型数据集而感到不知所措，那么你来对地方了。在非监督式学习（Unsupervised Learning）的世界里，主成分分析（Principal Components Analysis, PCA）就像一种超能力，让你能够将复杂的数据浓缩成几个关键的“主题”。

在本章中，我们不只是进行计算，更重要的是学会诠释（interpret）这些计算结果告诉我们关于数据的资讯。读完这些笔记后，你将能够解释什么是“载荷（loading）”、为什么标准化（scaling）如此重要，以及如何解读那些看似复杂的双标图（Biplots）。让我们开始吧！


1. PCA 的“食谱”：理解载荷（Loadings）

想象一下你正在描述一个人的健康状况。你拥有关于体重、身高、血压和心率的数据。与其分开查看每个数值，你可能想创造一个单一的“健康指数（Fitness Score）”。这个指数就是一个主成分（Principal Component, PC）。

我们如何建立这个指数？我们使用载荷（Loadings）。

关键术语：载荷（\(\phi\)）
载荷告诉我们每个原始变量对特定主成分的贡献程度。把它们想象成食谱中的“配料”。如果一个变量的载荷很高（接近 1 或 -1），它就是该主成分中非常重要的一部分。如果接近 0，则表示该变量对这个主成分影响不大。

载荷向量（Loading Vector）：
对于第一个主成分（PC1），载荷向量表示为：
\( \phi_{1} = (\phi_{11}, \phi_{21}, ..., \phi_{p1}) \)

重要限制：
为了公平起见，单一主成分的所有载荷平方和必须等于 1：
\( \sum_{j=1}^{p} \phi_{j1}^2 = 1 \)
这确保了算法不会仅仅为了“制造”高方差而将载荷无限放大。

重点总结：载荷告诉我们每个变量在构建主成分时的方向与重要性。


2. “新的坐标”：理解得分（Scores）

一旦我们有了“食谱”（载荷），我们将其应用到实际数据点上。结果就是得分（Score）。

关键术语：主成分得分（Principal Component Scores, \(z\)）
得分是特定观测值在特定主成分上的数值。如果 PC1 代表“整体体型”，那么大象的得分会非常高，而老鼠的得分则会非常低。

公式：
对于观测值 \(i\)，第一个主成分的得分为：
\( z_{i1} = \phi_{11}x_{i1} + \phi_{21}x_{i2} + ... + \phi_{p1}x_{ip} \)

如果这看起来有点难别担心！ 只要记住：载荷定义了主成分，而得分则是将个别数据点转换成该主成分的“语言”。


3. 为什么标准化（Scaling）是必要步骤

这是考试中非常热门的主题！在进行 PCA 之前，我们几乎总是要对变量进行标准化（scale），使其平均数为 0，标准差为 1。

为什么？
PCA 非常看重方差（variance）。如果一个变量以“日元”（数千）计量，而另一个以“百分比”（0 到 1）计量，仅因为数字较大，日元变量的方差就会大得多。PCA 会误以为日元变量是世界上最重要的东西，即便事实并非如此！

应避免的常见错误：
除非所有变量原本就已经在相同的单位下（例如全部都是厘米），否则千万不要跳过标准化。如果单位不同，一定要标准化！

快速回顾：
- 未标准化：具有大单位的变量会主导结果。
- 标准化：每个变量都能获得“公平的发言权”。


4. PCA 可视化：双标图（Biplot）

双标图（Biplot）是一种同时显示得分（Scores）和载荷（Loadings）的特殊图表。这就像是买一送一的超值组合！

如何解读：
1. 点（Dots）：代表个别观测值（得分）。距离接近的点表示彼此相似。
2. 箭头（Vectors）：代表原始变量（载荷）。
3. 方向：如果两个箭头指向相同方向，表示这些变量呈现正相关；如果指向相反方向，则呈现负相关。
4. 长度：较长的箭头表示该变量对图中显示的主成分有更强的影响力。

你知道吗？ 双标图的坐标轴通常是 PC1（x 轴）和 PC2（y 轴）。PC1 永远比 PC2 捕捉到更多的资讯。


5. 解释方差比例（PVE）

既然 PCA 的核心目的是在保留尽可能多资讯的前提下压缩数据，我们需要一种方法来衡量保留了多少资讯。这就是 PVE（Proportion of Variance Explained）。

总方差（Total Variance）：这是所有个别变量方差的总和（如果我们进行了标准化，总方差通常等于变量的个数 \(p\)）。
第 \(m\) 个主成分的 PVE：
\( PVE_m = \frac{Variance \, explained \, by \, PC_m}{Total \, Variance} \)

碎石图（Scree Plot）：
这是一个显示每个主成分 PVE 的简易条形图或折线图。通常它看起来像一个滑梯：左侧高，随着向右延伸而下降。
- “肘部”法则（Elbow Method）：为了决定保留多少主成分，寻找下降趋势变平缓的那个点（即“肘部”）。这是选择主成分个数的常用经验法则。

记忆口诀：将 PVE 想象成“获得的能量值（Power Value Earned）”。你希望用最少的主成分获得最多的“能量”（方差）。


6. 总结与最后建议

重点总结：
- PC1 是数据变化最剧烈的方向。
- 载荷定义方向；得分则是投影后的数据点。
- 标准化对于确保单位不会干扰结果至关重要。
- 碎石图通过“肘部”帮助我们选择主成分的个数。
- PCA 是一种非监督式技术——没有“y”变量，也没有我们试图预测的“正确答案”。

备考小撇步：如果看到关于 PCA 诠释的题目，首先检查变量是否经过标准化。接着，观察双标图中的箭头，看看哪些变量会“一起移动”。如果 PC1 解释了 70% 的方差，而 PC2 解释了 20%，那么你仅用两个主成分就捕捉到了 90% 的资讯！

继续努力练习——你做得很好！PCA 是那种在看过几个例子后，就会突然“开窍”的课题。