歡迎來到主成分分析（Principal Components Analysis，簡稱 PCA）的世界！

你好！今天我們將深入探討預測模型人員工具箱中最強大的「超能力」之一：主成分分析（PCA）。本章節是我們探索資料轉換與非監督式學習旅程的一部分。

別擔心，這個名稱聽起來可能有點嚇人。但說穿了，PCA 其實就是一種簡化複雜數據的聰明方法。想像一下，你的一個房間亂七八糟，散落著 50 種不同的物品。PCA 能幫助你找出 3 到 4 個這些物品最合適的「大箱子」，讓你能夠更輕鬆地描述這個房間。讓我們開始吧！

PCA 究竟是什麼？

在許多精算數據集中，我們通常有幾十個（甚至幾百個）變數。這些變數往往是相關的 (correlated)，意思就是它們會同時變動。例如，在人壽保險數據集中，「年齡」、「工作年資」和「白頭髮數量」通常會隨著時間一起增加。

主成分分析 (PCA) 是一種將大量變數轉換為一組較小的變數（稱為主成分 (Principal Components, PCs)）的技術。這些新變數擷取了原始數據中大部分的「資訊」（變異數），但處理起來卻簡單得多。

目標： 在保留盡可能多的原始「故事」（即資訊）的同時，減少變數的數量（降維）。

為什麼我們要在 Exam PA 中使用它？

1. 降維 (Dimension Reduction)： 通過使用較少的預測變數來簡化模型。
2. 消除多重共線性 (Removing Multicollinearity)： 原始變數之間可能存在高度相關性，但新的主成分彼此之間是不相關的 (uncorrelated)（正交的）。
3. 視覺化： 要畫出 10 個維度很難，但要畫出前兩個主成分卻非常容易！

快速回顧： PCA 是一種非監督式 (unsupervised) 技術。這意味著它只關注「特徵」（\(X\) 變數），在進行計算時並不知道也不關心「目標」（\(Y\) 變數）。

循序漸進：PCA 是如何運作的

別讓數學嚇倒你！將 PCA 想像成數據的旋轉 (rotation)。它會尋找數據「分佈最開」的方向，並將其稱為主成分 1 (PC1)。然後，它會尋找與第一個方向垂直的下一個最佳方向，並將其稱為PC2。

1. 標準化的重要性

停下來！ 在執行 PCA 之前，你幾乎總是需要對數據進行標準化 (scaling)（將其中心化，使平均值為 0，標準差為 1）。

為什麼？ PCA 對測量單位很敏感。如果一個變數是「收入」（以千美元為單位），另一個是「年齡」（以年為單位），那麼「收入」變數會因為數值較大而自然具有更大的變異數。PCA 會僅僅因為尺度不同而認為收入更重要。標準化可以讓所有變數站在同一個起跑線上。

2. 載荷量 (Loadings)（所謂的「食譜」）

每個主成分都是原始變數的線性組合 (linear combination)。我們將此組合中的權重稱為載荷量 (loadings)。

例如：\(PC_1 = \phi_{11}X_1 + \phi_{21}X_2 + ... + \phi_{p1}X_p\)

載荷向量 (loading vector) 會告訴你每個原始變數對該主成分的「貢獻」有多少。如果一個變數的載荷量很高（正或負），它就是構成該主成分「風味」的重要部分。

3. 分數 (Scores)（新的坐標）

一旦我們有了「食譜」（載荷量），我們就可以代入特定人的數據來得到他們在該主成分上的分數 (score)。這些分數成為我們新的轉換後數據點，可以用於回歸或 GBM 模型中。

你知道嗎？ 第一主成分 (PC1) 總是會擷取數據中最大可能的變異數。PC2 會擷取次大的變異數，以此類推！

我們應該保留多少個主成分？

我們從 \(p\) 個變數開始，最後會得到 \(p\) 個主成分。如果我們全部保留，那就什麼都沒有簡化！我們需要決定在哪裡停止。

碎石圖 (Scree Plot) 與「肘點 (The Elbow)」

碎石圖是一個簡單的折線圖，顯示每個主成分所解釋的變異比例 (Proportion of Variance Explained, PVE)。

要選擇主成分的數量，我們需要尋找「肘點」。這是曲線變得平坦的點。這就像是在說：「過了這個點，增加更多的主成分並不會提供太多額外有用的資訊。」

累積變異數 (Cumulative Variance)

另一種方法是查看累積 PVE。你可能會決定：「我想保留足夠的主成分來解釋數據總變異的 80%。」然後，你將 PC1、PC2 等的 PVE 加總，直到達到 80% 的目標。

關鍵點： 我們希望在保留數據「精髓」的前提下，使用最少數量的成分。

常見陷阱與錯誤

1. 忘記標準化： 如前所述，如果不進行標準化，PCA 結果將由數值範圍最大的變數所主導。
2. 過度解讀： 有時 PC1 明顯代表「規模」或「風險」，但有時主成分很難用簡單的語言解釋。這沒關係！PCA 用於轉換數據，並不總是為了說故事。
3. 什麼數據都用： PCA 非常適合數值變數，但對於類別（因子）數據處理起來會比較棘手。通常我們只將其用於連續變數。

快速回顧總結表

概念： 標準化 (Scaling)
重要性： 確保具有大單位的變數不會主導 PCA 結果。

概念： 載荷量 (Loadings)
重要性： 代表原始變數對主成分影響程度的權重。

概念： PVE
重要性： 告訴我們特定主成分包含了多少「資訊」。

概念： 正交性 (Orthogonality)
重要性： 意味著主成分之間互不相關，從而解決多重共線性問題。

最後的鼓勵

PCA 可能會讓人覺得「抽象」，因為我們在用真實變數創造虛構的變數。只要記住影子類比 (Shadow Analogy)：如果你將一個 3D 物體放在燈光前，牆上的 2D 影子就是該物體的一個「低維度」版本。如果你將物體轉到正確的角度，影子就能捕捉到形狀中最主要的部分。PCA 就是在尋找投射出最佳影子的那個角度！

你一定沒問題的！繼續練習 PCA 的 R 程式碼（通常使用 prcomp 函數），你就會明白這些概念是如何活靈活現地運作的。