概念卡：主成分分析 PCA

综合实践 · 01_专业概念地图/概念卡_PCA.md

概念卡：主成分分析 PCA

一句话定义

PCA 是把高维变量转换成少数几个保留主要变异信息的新变量的降维方法。

它解决什么问题

它用于降低维度、压缩信息、可视化和缓解特征冗余。

典型使用场景

• 高维数据可视化。
• 特征很多且相关性强。
• 降维后再建模或聚类。

需要知道的关键词

• Principal Component
• Variance Explained
• Eigenvalue
• Dimension Reduction
• Projection

和导师方向的关系

PCA 是大数据分析、统计建模和复杂系统状态压缩中的常用基础工具。

交流时可以怎么说

如果变量很多且相关性强，可以先用 PCA 做降维和可视化。

PCA 保留的是方差最大的方向，但这些方向不一定容易解释。

可以追问的问题

• 主成分解释了多少方差？
• 降维后是否损失关键信息？
• 主成分是否有实际含义？

给 AI 的提示词

请解释 PCA 的直觉、特征值关系、方差解释率和局限。请给一个 Python 可视化示例。

我的理解边界

• 已理解：PCA 找主要变化方向。
• 还不确定：SVD 和 PCA 的关系。
• 下次需要补：方差解释率。