待验证50% 置信事实精确时间

主成分分析（PCA）通过寻找数据中方差最大的少数线性无关方向，用低维坐标近似原始数据，实现降维。

1

来源数

50%

置信度

长期有效

时效性

2026/10/27

首次发现

来源

维度是什么？一维、二维与三维的简单逻辑

涉及实体

主成分分析concept 降维concept

相关事实

待验证主成分分析（PCA）同时涉及线性代数中的特征值分解和统计学中的方差最大化75% 相似待验证PCA等价于对数据协方差矩阵进行特征值分解，若对中心化数据矩阵X进行SVD得到X=UΣVᵀ，则右奇异向量V就是PCA的主成分方向，奇异值的平方除以样本数就是各主成分对应的方差67% 相似待验证在特征标准化、归一化或PCA降维时使用整个数据集（包括测试集）的统计量而非仅用训练集，会造成特征构造泄露60% 相似待验证鲁棒PCA通过将数据矩阵分解为低秩矩阵加稀疏矩阵（L+S分解）将异常值隔离到稀疏部分59% 相似待验证PCA只能捕获线性相关性，无法处理数据流形中的非线性结构58% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/1104168

API

curl https://kongchang.com/api/v1/knowledge/claims/1104168

MCP

get_claim(id=1104168)