在一个图像矩阵中，有些元素特征不明显，很难用来做识别，而有些元素特征很明显，表明其方差很大（元素的方差可以度量其相对整个样本的离散度），这些元素就可以作为图像识别的主要依据，

PCA的作用就是，去除那些方差小，特征不明显的维，保留方差大，特征明显的维

仅仅需要以方差衡量信息量，不受数据集其他因素的影响

各主成分正交，

计算方法简单，主要运算是特征值分解，易于实现

主成分各个特征维度的含义具有一定的模糊性，不如原始样本特征的解释性强

方差小的非主成分也可能含有对样本差异的重要信息，因降维丢弃可能对后续数据处理有影响

1、如果有缺失值，要先对数据进行处理 2、将处理好后的数据导入spss

3、找到主成分分析 4、将除分类列外其他导入，我的这个案例中，有一列考核列，也不需要放入，因为不属于影响因素 5、勾选系数：因为要生成成分得分系数矩阵进行最后的得分计算 6、勾选碎石图：可以更直观的主成分分布，点击确定 点击确认后经过计算。导出结果为 7、观察总方差解释图：提取提取载荷平方和的个数，就是主成分个数，最后一个主成分的占比就是选取的所有的主成分的占比总和

勾选：将被抓另存变量 9，通过系数得分矩阵和标准化数据进行对应相乘

x就是所有的特征变量 f 1 = − 0.073 ∗ X 1 + − 0.0008 ∗ X 2 ） . . . + 0.203 ∗ X 11 f1 = -0.073 * X1 + -0.0008*X2）...+0.203*X11 f1=−0.073∗X1+−0.0008∗X2）...+0.203∗X11 f 2 = − 0.372 ∗ X 1 + − 0.157 ∗ X 2 ） . . . − 0.123 ∗ X 11 f2 = -0.372* X1 + -0.157*X2）...-0.123*X11 f2=−0.372∗X1+−0.157∗X2）...−0.123∗X11 F = （ 23.2 / 70.3 ） f 1 + ( 14.0 / 70.3 ) f 2... F = （23.2 /70.3 ）f1 + (14.0/70.3)f2... F=（23.2/70.3）f1+(14.0/70.3)f2...