基本概念

事件

事件：某种情况的“陈述” $\Rightarrow$ 事件A：掷出的骰子为偶数点 $\Rightarrow$ 事件A包含多种结果，每种结果都是一个基本事件 $\Rightarrow$ 事件的本质是集合
事件之间的基本关系：

1. 蕴含与相等：如果当A发生时B必发生 ，记数学公式: $A\subset B$数学公式: $\Rightarrow$当数学公式: $A,B$相互蕴含时，两式相等，记数学公式: $A=B$
2. 互斥与对立：在一次试验中不可能同时发生，但可以都不发生，有A就没有B，有B没有A，但是可以同时没有A和B数学公式: $\Rightarrow$A为一事件，则事件 B={A不发生} ，则A和B互为对立事件
3. 事件和（或称并集）：A和B中至少发生一个(并集)，记数学公式: $C=A+B$
4. 事件积（或称交集）：A发生且B发生（交集），记数学公式: $C=AB$
5. 事件差：A发生且B不发生，记数学公式: $C=A-B$

全概率公式：一个事件的概率，该事件可以表示为若干互斥事件的联合

随机变量

随机变量是实验结果的函数$\Rightarrow$抛一枚硬币，定义1=正面朝上 ，0=反面朝上，所以随机变量$X$就代表抛硬币这个试验的结果，要么0要么1

独立同分布

独立性：一个随机变量的取值不会影响另一个随机变量的取值
同分布：所有随机变量服从相同的概率分布

离散型随机变量

伯努利分布（两点分布）

伯努利分布：两种可能结果的实验（如成功和失败），成功的概率为$p$，失败的概率为$1-p$
概率密度函数：$P(X=x)=\{\begin{array}{ll}p& \text{if}x=1\\ 1-p& \text{if}x=0\end{array}$
期望值：$E(X)=p$
方差：$Var(X)=p(1-p)$

二项分布

二项分布：n次独立同分布的伯努利试验的成功次数的分布，每次试验成功的概率为$p$ 概率密度函数：$P(X=k)=\left(\genfrac{}{}{0ex}{}{n}{k}\right)p^k(1-p{)}^{n-k}$
期望值：$E(X)=np$
方差：$Var(X)=np(1-p)$

几何分布

几何分布：在第一次成功之前的失败次数（包括第一次成功），每次试验成功的概率为$p$
概率密度函数：$P(X=k)=(1-p{)}^{k}p\text{for}k=0,1,2,\dots$
期望值：$E(X)=\frac{1-p}{p}$
方差：$\mathrm{Var}(X)=\frac{1-p}{p^2}$

泊松分布

泊松分布：单位时间或空间内某事件的发生次数，在一个间隔中平均发生事件的次数由$\lambda$决定，$\lambda$是事件发生比率
概率密度函数：$P(X=k)=\frac{{\lambda }^k{e}^{-\lambda }}{k!}$
期望值：$E(X)=\lambda$
方差：$\mathrm{Var}(X)=\lambda$
“事件”可理解为一天中网站的访客数、一天中所接到的电话数

例如：每周平均有15个人给我的博客点赞，我想预测下一周的点赞数

如果使用二项分布来解决，令$x$表示在$n$次重复实验中发生点赞的次数，$p$表示每次实验的点赞概率(Probability)。我们现在已知的是每周平均的点赞比率(rate)为15个赞/周，并不知道点赞概率$p$和博客访客数$n$的任何信息
假设过去的1年(=52周)的数据中，一共有$10000$人看了我的博客，其中有$800$个人点赞了，这样平均每周访客数$=10000/52=192$，平均每周点赞数$=800/52=15$，可得到概率$p=800/10000=0.08=8\%$
使用二项分布的概率密度函数，预测下一周有20个人点赞的概率为：$\mathrm{Bin}(\mathrm{m}=20\mid \mathrm{N}=192,\mathrm{p}=0.08)=\frac{\mathrm{N}!}{(\mathrm{N}-\mathrm{m})!\mathrm{m}!}{\mathrm{p}}^{\mathrm{m}}(1-\mathrm{p}{)}^{\mathrm{N}-\mathrm{m}}=0.04657$

在上述过程中，可以将x=该周有15次点赞，也可以是x=该天有$15/7=2.1$个赞，也可以是x=该小时有$15/7\ast 24=0.1$个赞，这意味着大多数小时没有赞，而有的小时有一个点赞。仔细想想，似乎一定时间内出现超过1个点赞的情况也是合理的（比如文章早上刚发布的时候）。由此，二项分布的问题是它无法在一个时间单元中包含超过1次的事件（在这里，时间单元是1小时）
那么，我们将1小时切分成60分钟，时间单元是1分钟，使得1小时能够包含多个事件。问题得到解决了吗？还没有，比如何同学的5G视频，一晚上点赞就过百万，1分钟内不止一个赞。那我们再将时间单元切分成秒，这样1分钟又能包含多个事件。这样思考下去，我们会将已有的事件单元不断地切分，直到满足一个时间单元只包含一个事件，而大的时间单元能够包含1个以上的事件
形式化来看，这意味着$n\to \infty$，当我们假定比率(rate)固定，则必须让$p\to 0$，否则点赞数$n\times p\to \infty$
基于以上的约束，时间单元变得无穷小。我们不用担心同一个时间单元包含一个以上的事件了
在用二项分布时，无法直接用比率(rate)来计算点赞概率$p$，而是需要$n$和$p$才能使用二项分布的概率密度函数，而泊松分布不需要知道$n$和$p$，它假定$n$是一个无穷大的数，而$p$是无穷小的数，泊松分布唯一参数是比率$\lambda$。现实中，得知$n$和$p$得进行很多次实验，而短时间内，比率（rate）很容易得到（例如，在下午2点-4点，收到了4个点赞）


泊松分布的假设：每个时间单元的事件平均发生比率是常数
例如：博客的每小时平均点赞数不太可能服从泊松分布，而博客每个月的平均点赞数可近似看作是固定的。假如你的博客写的很好，被公众号转发推广了，那可能会有大批的读者来阅读，这种情况下的点赞数就不满足泊松分布了
泊松分布的适用条件：

1. 事件独立性：事件的发生是相互独立的，例如，每个读者对文章的点赞行为不受其他读者行为的影响
2. 事件发生概率相等：每个事件在单位时间或空间内发生的概率是相同的
3. 单位时间或空间内事件的发生率固定：单位时间或空间内事件的平均发生次数（$\lambda$）是固定的

当博客被公众号转发推广后，会出现以下变化：

1. 读者行为不再独立：由于公众号转发，读者可能会集中在某个时间段内大量访问博客，导致点赞行为之间不再独立。例如，一个读者点赞后，可能会引起更多读者来点赞，这种情况下点赞行为具有相关性
2. 事件发生概率不再相等：在被转发推广的时段，点赞的概率可能会显著提高，导致某些时间段内的点赞率远高于平时
3. 事件发生率不固定：被推广后，单位时间内的访问量和点赞量会显著增加，不再符合泊松分布所要求的固定事件发生率

连续型随机变量

正态分布

概率密度函数：$f(x)=\frac{1}{\sqrt{2\pi {\sigma }^2}}{e}^{-\frac{(x-\mu {)}^2}{2{\sigma }^2}}$
期望值：$E(x)=\mu$
方差：$\mathrm{Var}(X)={\sigma }^2$

期望

期望是随机变量取值的平均，以概率为权重对随机变量进行加权求和
平均数是对一组已经观察到的样本进行统计的量
由于概率是频率随样本趋于无穷的极限，所以期望其实就是平均数随样本趋于无穷的极限，两者是通过大数定理联系起来的

• 离散型随机变量的期望值$\mathrm{E}(X)$：$\mathrm{E}(X)={\sum }_i{x}_{i}P(X=x_i)$
• 连续型随机变量的期望值$\mathrm{E}(X)$：$E(X)={\int }_{-\infty }^{\infty }x{f}_X(x)dx$

期望的性质：

1. $\mathrm{E}\left({\mathrm{X}}_1+{\mathrm{X}}_2+\cdots +{\mathrm{X}}_{\mathrm{n}}\right)=\mathrm{E}\left({\mathrm{X}}_1\right)+\mathrm{E}\left({\mathrm{X}}_2\right)+\cdots +\mathrm{E}\left({\mathrm{X}}_{\mathrm{n}}\right)$（无条件成立）
2. $\mathrm{E}(X_1{X}_2\cdots X_n)=\mathrm{E}(X_1)\mathrm{E}(X_2)\cdots \mathrm{E}(X_n)$（独立情况下成立）

方差

方差是用来衡量随机变量和其数学期望之间的偏离程度的量，方差越大，那么这一组数据的波动幅度也就越大
因为$X$是随机的，所以偏离的量$X-EX$本身也是随机的，为了避免正负相互抵消，对其取平方作为偏离量，很自然方差就是该偏离量的期望，定义为：$\mathrm{Var}(\mathrm{X})=\mathrm{E}(\mathrm{X}-\mathrm{EX}{)}^2=\mathrm{E}\left({\mathrm{X}}^2\right)-(\mathrm{EX}{)}^2$
假如给定一个含有$n$个样本的集合，则方差计算为：${\sigma }^2=\frac{{\sum }_{\mathrm{i}=1}^{\mathrm{n}}{\left({\mathrm{X}}_{\mathrm{i}}-\bar{\mathrm{X}}\right)}^2}{\mathrm{n}-1}$
之所以除以n-1而不是除以n，是因为我们是用样本去估计总体，除n-1才是统计学上的“无偏估计”，这样能使我们以较小的样本集更好的逼近总体的标准差
方差的性质：

1. 常数的方差为$0$
2. 若$C$为常数，则$\mathrm{Var}(\mathrm{X}+\mathrm{C})=\mathrm{Var}(\mathrm{X})$
3. 若$C$为常数，则$\mathrm{Var}(\mathrm{CX})={\mathrm{C}}^2\mathrm{Var}(\mathrm{X})$
4. 独立情况下，$\mathrm{Var}({\mathrm{X}}_1+\cdots +{\mathrm{X}}_{\mathrm{n}})=\mathrm{Var}({\mathrm{X}}_1)+\cdots +\mathrm{Var}\left({\mathrm{X}}_{\mathrm{n}}\right)$

标准化

标准化可以使每个样本的均值为0、标准差为1：${\mathrm{x}}^{\prime }=\frac{\mathrm{x}-\bar{\mathrm{x}}}{\sigma }$

协方差

协方差衡量两个随机变量之间的线性关系
对于两个随机变量$X$和$Y$，协方差的定义为$\mathrm{Cov}(X,Y)=E\left[(X-E(X))(Y-E(Y))\right]=E(XY)-E(X)E(Y)$

• 正协方差：如果$\mathrm{Cov}(X,Y)>0$，则表明$X$和$Y$之间存在正的线性关系
• 负协方差：如果$\mathrm{Cov}(X,Y)<0$，则表明$X$和$Y$之间存在负的线性关系
• 零协方差：如果$\mathrm{Cov}(X,Y)=0$，则表明$X$和$Y$之间没有线性关系$\Rightarrow$零协方差并不意味着$X$和$Y$完全不相关，它们可能存在非线性的关系

假设数据矩阵$X$的大小为$n\times p$，其中$n$是样本数，$p$是特征数，$X$的每一行代表一个样本，每一列代表一个特征
给定数据矩阵$X$，协方差矩阵的计算公式为：$\Sigma =\frac{1}{n-1}{X}^{T}X$
$X^{T}X$是一个$p\times p$的矩阵，表示各特征之间的内积和

相关系数

协方差虽然能反映两个随机变量的相关程度，为了标准化这种相关性，我们通常使用相关系数（Correlation Coefficient），其定义为：${\rho }_{X,Y}=\frac{\mathrm{Cov}(X,Y)}{{\sigma }_X{\sigma }_Y}\begin{array}{rl}\frac{\mathrm{E}\left[\left(\mathrm{X}-\mathrm{EX}\right)\left(\mathrm{Y}-\mathrm{EY}\right)\right]}{{\sigma }_{\mathrm{X}}{\sigma }_{\mathrm{Y}}}& =\frac{\mathrm{E}\left(\mathrm{XY}\right)-\mathrm{E}\left(\mathrm{X}\right)\mathrm{E}\left(\mathrm{Y}\right)}{\sqrt{\mathrm{E}\left({\mathrm{X}}^2\right)-{\mathrm{E}}^2\left(\mathrm{X}\right)}\sqrt{\mathrm{E}\left({\mathrm{Y}}^2\right)-{\mathrm{E}}^2\left(\mathrm{Y}\right)}}\end{array}$，其中${\sigma }_X$和${\sigma }_Y$分别是$X$和$Y$的标准差，相关系数${\rho }_{X,Y}$的值域为$[-1,1]$，值越接近 1 或 -1，表明$X$和$Y$之间的线性关系越强

线性组合

线性组合：设$\beta ,{\alpha }_1,{\alpha }_2,...,{\alpha }_{\mathrm{n}}$是一组$m$维向量，若存在数${\mathrm{k}}_1,{\mathrm{k}}_2,...,{\mathrm{k}}_{\mathrm{n}}$，使得$\beta ={\mathrm{k}}_1{\alpha }_1+{\mathrm{k}}_2{\alpha }_2+...+{\mathrm{k}}_{\mathrm{n}}{\alpha }_{\mathrm{n}}$，则称$\beta$是向量组${\alpha }_1,{\alpha }_2,...,{\alpha }_{\mathrm{n}}$的线性组合，${\mathrm{k}}_1,{\mathrm{k}}_2,...,{\mathrm{k}}_{\mathrm{n}}$为一组组合系数
性质：

1. 零向量可由任意向量组来线性表示：$0=0{\alpha }_1+0{\alpha }_2+...+0{\alpha }_{\mathrm{n}}$
2. 向量组中任意一个向量可由向量组来线性表示：${\alpha }_3=0{\alpha }_1+0{\alpha }_2+1{\alpha }_3+0{\alpha }_4$
3. 任意一个向量都可由基向量$\begin{array}{rl}{\epsilon }_1& =(1,0,...,0),{\epsilon }_2=(0,1,...,0),...,{\epsilon }_{\text{n}}=(0,0,...,1)\end{array}$来线性表示：$(1,2,3)=1\times (1,0,0)+2\times (0,1,0)+3\times (0,0,1)$
   设$\beta =(-3,2,-4),{\alpha }_1=(1,0,1),{\alpha }_2=(2,1,0),{\alpha }_3=(-1,1,-2)$，判断$\beta$是否可由${\alpha }_1,{\alpha }_2,{\alpha }_3$线性表示？
   

特征值和特征向量

特征向量表示变换的方向，特征值表示在每个方向上的伸缩程度

特征值分解

相似矩阵：设$A,B$都是$n$阶矩阵，若有可逆矩阵$P$，使${\mathrm{P}}^{-1}\mathrm{AP}=\mathrm{B}$，则称$A$与$B$相似，这个过程称为相似变换，$P$为相似变换矩阵
如果$A$与对角矩阵$\mathbf{\Lambda }=(\begin{array}{rrrrr}{\lambda }_1& & & & \\ & {\lambda }_2& & & \\ & & \ddots & & \\ & & & {\lambda }_{\mathrm{n}}& \end{array})$相似，即${\mathrm{P}}^{-1}\mathrm{AP}=\Lambda$，那么${\lambda }_1,{\lambda }_2,\cdots ,{\lambda }_{\mathrm{n}}$是$A$的$n$个特征值，而$P$的列向量$p_i$就是$A$对应于特征值${\lambda }_i$的特征向量
把$P$乘到右边，得到：$\mathrm{A}=\mathrm{P}\Lambda {\mathrm{P}}^{-1}$这个式子就是实际中经常用到的特征值分解，一个矩阵$A$可以通过特征值分解得到它的特征值和特征向量

对称矩阵的特征值分解

对称矩阵：${\mathrm{A}}^{\mathrm{T}}=\mathrm{A}$$\Rightarrow$对称矩阵有$N$个线性无关的特征向量，且不同特征值对应的特征向量相互正交
对称矩阵一定可以相似对角化，故实对称矩阵$A$可以被分解成：$\mathrm{A}=\mathrm{P}\Lambda {\mathrm{P}}^{-1}=\mathrm{P\Lambda }{\mathrm{P}}^{\mathrm{T}}$，其中$P$为正交矩阵（${\mathrm{PP}}^{\mathrm{T}}=\mathrm{E}$）

齐次线性方程组

齐次线性方程组是指所有常数项（即方程的右端）都等于零的线性方程组：$A\mathbf{x}=0$，其中$A$是一个$m\times n$的矩阵，$\mathbf{x}$是一个$n$维列向量，$0$是一个$m$维列向量

单位向量

单位向量是指长度为1的向量，在欧几里得空间中，如果向量$\mathbf{u}$满足$\Vert \mathbf{u}\Vert =1$，其中$\Vert \mathbf{u}\Vert$表示向量$\mathbf{u}$的长度，则$\mathbf{u}$是一个单位向量

基向量

基向量是向量空间的一组向量，通过线性组合这些向量可以表示空间中的任何向量，向量空间中的基向量通常是线性无关的

矩阵的秩

矩阵的秩（Rank）是其行向量的最大线性无关组的数量
从几何角度来看，矩阵的秩表示由矩阵的行向量生成的向量空间的维数，对于一个$3\times 3$的矩阵：

• 如果其秩为 3，表示其行向量是三维空间的基，可以生成整个三维空间
• 如果秩为 2，表示行向量位于同一平面，且可以生成一个二维平面
• 如果秩为 1，表示所有行向量都在同一条直线上

对于方阵，如果其行列式不为零，则该矩阵是满秩矩阵，即秩等于矩阵的阶数。反之，如果行列式为零，则矩阵的秩小于其阶数

最高阶非零子式

一个$k\times k$子式是从矩阵中选取$k$行和$k$列形成的一个$k\times k$方阵的行列式
最高阶非零子式是指在所有非零子式中，阶数最高的那个子式
假设有一个$3\times 3$矩阵：$A=\left(\begin{array}{ccc}1& 2& 3\\ 4& 5& 6\\ 7& 8& 9\end{array}\right)$

正定矩阵

正定矩阵是一种特殊的实对称矩阵
实对称矩阵：矩阵的转置等于其自身的矩阵，对于任意$i$和$j$，其第$i$行第$j$列的元素等于第$j$行第$i$列的元素
一个实对称矩阵$A$ 被称为正定的，如果对于任意非零向量$x$，都有$x^{T}Ax>0$
一个实对称矩阵$A$被称为半正定的，如果对于任意非零向量$x$，都有$x^{T}Ax\ge 0$

正交矩阵

正交矩阵的逆矩阵和转置矩阵是相同的
一个正交矩阵$Q$满足下列条件：

• 它是一个方阵（即行数等于列数）
• 它的每一列都是单位向量，并且相互正交

正交基

一个向量组 { u 1 , u 2 , … , u n } \{\mathbf{u}_1,\mathbf{u}_2,\ldots,\mathbf{u}_n\} {u1​,u2​,…,un​}是正交基，如果组内的任意两个向量都是正交的，即${\mathbf{u}}_i\cdot {\mathbf{u}}_j=0$（对于所有$i\ne j$），如果这些向量还都是单位向量，则称它们是正交规范基
在三维空间中，标准基向量 { e 1 , e 2 , e 3 } \{\mathbf{e}_1,\mathbf{e}_2,\mathbf{e}_3\} {e1​,e2​,e3​}是一个正交规范基：${\mathbf{e}}_1=(1,0,0),{\mathbf{e}}_2=(0,1,0),{\mathbf{e}}_3=(0,0,1)$

逆矩阵

假如说，矩阵$A$是逆时针旋转90°的变换，则$A^{-1}$是顺时针旋转90°的变换
如果矩阵$A$可逆，则$A^{-1}=\frac{A^{\ast }}{||A||}$（$||A||=\det (A)$，即矩阵的行列式）

伴随矩阵

伴随矩阵$A^{\ast }$
余子式：$A$关于第$i$行第$j$列的余子式（记作$M_{ij}$）是去掉$A$的第$i$行第$j$列之后得到的$(n-1)\times (n-1)$矩阵的行列式
代数余子式：$A$关于第$i$行第$j$列的代数余子式（记作$C_{ij}$）为$(-1{)}^{i+j}{M}_{ij}$
余子矩阵：$A$的余子矩阵是一个$n\times n$的矩阵$C$，使得第$i$行第$j$列的元素是$A$关于第$i$行第$j$列的代数余子式
伴随矩阵：矩阵$A$的伴随矩阵是$A$的余子矩阵的转置矩阵

奇异值分解

特征分解只适用于方阵，奇异值分解SVD适用于任意矩阵分解
从相似对角化的的定义可以看到，我们可以把一个复杂的矩阵$A$变成一个很简单的对角矩阵，而这个对角矩阵也同样保留了原来矩阵的特征，且变换的矩阵$P$就是$A$的特征向量组成的矩阵
但是注意，不是每一个矩阵都能与对角矩阵相似，首先注意到$P$必须是可逆的，而$P$又是特征向量组成$\Rightarrow$当且仅当$A$有$n$个线性无关的特征向量时，$A$才能相似对角化
奇异值分解就像是把一个复杂的玩具分解成几个更简单的小玩具，然后用这些小玩具重新拼装成原来的玩具
假设我们有一个$m\times n$的矩阵$A$，，奇异值分解把它分解成三个矩阵：$A=U\Sigma V^T$

• 矩阵$U$：$m\times m$的正交矩阵，其中的列向量$\overrightarrow{{\mathrm{u}}_1},\overrightarrow{{\mathrm{u}}_2},\dots ,\overrightarrow{{\mathrm{u}}_m}$是$A{A}^T$的特征向量，称为矩阵$A$的左奇异向量
• 矩阵数学$\Sigma$：$m\times n$的矩阵，除了主对角线上的元素以外全为0，主对角线上的元素${\sigma }_i$称为奇异值，${\sigma }_{\mathrm{i}}=\sqrt{{\lambda }_{\mathrm{i}}}$，${\lambda }_i$是$A{A}^T$的特征值
• 矩阵$V^T$：$n\times n$的正交矩阵，其中的列向量${\vec{\mathrm{v}}}_1,{\vec{\mathrm{v}}}_2,\dots ,{\vec{\mathrm{v}}}_{\mathrm{m}}$是$A^{T}A$的特征向量，称为矩阵$A$的右奇异向量
  

奇异值在矩阵中是按照从大到小排列，而且奇异值的减少特别的快，在很多情况下，前10%甚至1%的奇异值的和就占了全部的奇异值之和的99%以上的比例。也就是说，我们可以用最大的k个的奇异值和对应的左右奇异向量来近似描述矩阵。也就是说：${\mathrm{A}}_{\mathrm{m}\times \mathrm{n}}={\mathrm{U}}_{\mathrm{m}\times \mathrm{m}}{\Sigma }_{\mathrm{m}\times \mathrm{n}}{\mathrm{V}}_{\mathrm{n}\times \mathrm{n}}^{\mathrm{T}}\approx {\mathrm{U}}_{\mathrm{m}\times \mathrm{k}}{\Sigma }_{\mathrm{k}\times \mathrm{k}}{\mathrm{V}}_{\mathrm{k}\times \mathrm{n}}^{\mathrm{T}}$，其中，k是一个远小于m、n的数。SVD具有的这种特性可以用于PCA降维、数据压缩和去噪等

$A{A}^T$是对称矩阵

主成分分析

假设我们有一组二维数据$(x,y)$，它的分布如下：

可以看到，数据在x轴上的变化大，而在y轴变化小，变化小意味着数据在这个特征上没有太大的差异，因此它包含的信息就比较少，那么我们就可以认为它是不重要的或者是噪音，从而可以直接将这个维度上的数据舍去，只用x轴上的数据来代替
那么假如数据是这样分布的呢？

这个图我们就不太好看出到底是谁比较重要了，因为x和y变化都比较大，那么就不能降维了吗？非也，假如我们旋转一下坐标系

从这个例子也可以看到，数据本身的具体数值其实是不重要的，重要的是数据之间的关系，数据的整体分布。原来的数据是在$E$坐标系下，然后我们换了一个坐标系来表示，本质上相当于对数据进行了一次正交变换（从数学公式看），在新的坐标系下，我们能更清楚的看到数据的特点
PCA的目标是将原始数据转换到一个新的坐标系中，这个新坐标系的轴（主成分）是数据方差最大的方向
主成分是在数据集中找到方差最大的方向（即主成分），然后将数据投影到这些方向上
方差最大化：每个主成分方向上数据的方差最大，这意味着这个方向上数据分布最广，包含最多的信息
正交性：不同主成分之间是相互正交的，即它们彼此垂直且不相关
PCA的步骤：

1. 数据标准化：将每个特征的均值变为零，方差变为一，确保每个特征对主成分的贡献是均衡的 $\Rightarrow$$\text{标准化数据}=\frac{X-\mu }{\sigma }$
2. 计算协方差矩阵：协方差矩阵描述了不同特征之间的线性关系$\Rightarrow$$\Sigma =\frac{1}{n-1}{X}^{T}X$，其中，$\Sigma$是协方差矩阵，$X$是标准化后的数据矩阵，$n$是样本数量
3. 特征值分解：对协方差矩阵进行特征值分解，得到特征值和特征向量$\Rightarrow$$\Sigma =V\Lambda V^T$，其中，$V$是特征向量矩阵，$\Lambda$是对角矩阵，对角线上的元素是特征值
4. 选择前$k$个主成分：选择特征值最大的$k$个特征向量，作为新的特征子空间的基，这些特征向量就是主成分；特征值代表了每个特征向量方向上的方差大小，特征值越大，表示这个方向上的方差越大，包含的信息越多
5. 变换数据：用选择的$k$个主成分对原始数据进行变换，得到降维后的数据$Y=XP$，其中，$Y$是降维后的数据矩阵，$P$是由选择的$k$个特征向量构成的矩阵

参考文献
1、ChatGPT3.5、ChatGPT4.0、ChatGPT4o
2、概率分布介绍—泊松分布：https://blog.csdn.net/weixin_44633882/article/details/120313676
3、相关系数——皮尔逊相关系数：https://blog.csdn.net/MoreAction_/article/details/106195689
4、《线性代数》教学视频 宋浩老师：https://www.bilibili.com/video/BV1aW411Q7x1?p=1&vd_source=8469f059ce75462e1674032ec0bfc23a
5、一文读懂特征值分解EVD与奇异值分解SVD：https://blog.csdn.net/MoreAction_/article/details/107318158
6、一文让你彻底搞懂主成成分分析PCA的原理及代码实现：https://blog.csdn.net/MoreAction_/article/details/107463336