待验证60% 置信事实精确时间
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
2
来源数
60%
置信度
长期有效
时效性
2026/8/19
首次发现
来源
相关事实
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78% 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76% 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64% 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63% 相似待验证在因子挖掘场景中，候选因子需要携带统计显著性、数据覆盖率等元信息传递给回测智能体以便做出合理评估58% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/774392API
curl https://kongchang.com/api/v1/knowledge/claims/774392MCP
get_claim(id=774392)