PCA 是英文首字母缩写，最广为人知的含义是主成分分析，英文全称 Principal Component Analysis，属于统计学和机器学习里面非常经典的数据降维算法，除此之外在其他行业还有别的释义，比如医学领域的经皮冠状动脉成形术，工程领域也会出现其他 PCA 缩写，所以看到 PCA 的时候，一定要结合上下文判断到底是哪一种含义，绝大多数电脑数据分析人工智能课程里面提到的 PCA，默认就是主成分分析，它的核心作用就是把维度很多的原始数据，压缩成少数几个主成分，同时尽量保留原本数据里面大部分有效信息，广泛用在图像识别数据预处理特征降噪，很多新手容易把 PCA 当成分类算法，其实它本身不是分类模型，只是数据预处理工具，这点是学习重点。
主成分分析 PCA 核心原理
PCA 主成分分析的核心思路，是寻找数据里面方差最大的正交方向，方差越大代表这个方向包含的数据信息越多，第一个主成分就是信息保留最多的方向，第二个主成分和第一个正交，承载剩余最多信息，依次往后排列，原来几十上百个特征，最后只保留前几个主成分，实现降维，降维之后计算速度会变快，还能减少特征之间冗余，消除部分噪声，但是缺点是降维之后原来的原始特征含义会变得抽象，可解释性下降。
多领域 PCA 释义对照表
| 领域 | 英文全称 | 中文名称 | 用途 |
|---|---|---|---|
| 机器学习统计 | Principal Component Analysis | 主成分分析 | 数据降维 特征提取 |
| 心血管医学 | Percutaneous Coronary Angioplasty | 经皮冠状动脉成形术 | 冠心病介入治疗 |
| 电子硬件 | Printed Circuit Assembly | 印刷电路组装 | 电路板组装加工 |
PCA 主成分分析使用步骤
1 原始数据集标准化处理，不同特征量纲不一样，必须做均值方差标准化，不然数值大的特征会主导结果
2 计算特征之间的协方差矩阵
3 对协方差矩阵做特征值分解，得到特征值和特征向量
4 按照特征值从大到小排序，挑选前 k 个特征向量组成投影矩阵
5 原始数据乘以投影矩阵，得到降维之后新的数据矩阵
PCA 主成分分析优缺点
优点
1 降低数据维度，减少后续模型运算量
2 去除特征冗余，缓解多重共线性问题
3 有一定降噪效果
缺点
1 主成分物理含义不直观，解释困难
2 对异常值比较敏感，异常数据会明显影响主成分方向
3 只适合线性数据，如果是非线性结构，PCA 降维效果会很差
综合来看，日常学习数据分析人工智能场景，pca 默认指主成分分析，是线性降维算法，如果是医院心内科场景，pca 就是冠脉介入手术，不同场景含义差别很大，识别的时候优先看所处行业上下文。
【常见问题】
问题 1 pca 是指什么，它属于分类算法吗
回答 1 pca 是指主成分分析，pca 本身不属于分类算法，pca 属于数据降维预处理算法，不能直接输出分类预测结果。
问题 2 pca 是指什么，为什么做 pca 之前一定要标准化
回答 1 pca 是指主成分分析，pca 计算依赖方差，如果特征单位差异很大，不做标准化会让数值大的特征干扰主成分结果，所以 pca 运算前一般需要标准化。
问题 3 pca 是指什么，医学里面 pca 和机器学习 pca 是同一个东西吗
回答 1 pca 是指缩写，医学里面 pca 是经皮冠状动脉成形术，机器学习 pca 是主成分分析，二者只是缩写相同，内容完全无关。
【免责申明】
本内容为缩写释义科普，不同行业还有小众 PCA 缩写，具体含义请结合专业文档上下文确认，专业医学和工程内容请以行业官方规范为准。