PCA(principal component analysis,主成分分析)

PCA(Principal Components Analysis)即主成分分析，也称主分量分析或主成分回归分析法，是一种无监督的数据降维方法。首先利用线性变换，将数据变换到一个新的坐标系统中；然后再利用降维的思想，使得任何数据投影的第一大方差在第一个坐标(称为第一主成分)上，第二大方差在第二个坐标(第二主成分)上。这种降维的思想首先减少数据集的维数，同时还保持数据集的对方差贡献最大的特征，最终使数据直观呈现在二维坐标系。

R语言中可以进行PCA分析的主要有rda(){vegan}、prcomp(){stats}、princomp(){stats} 、PCA(){FactoMineR} 、dudi.pca() {ade4} 、epPCA() {ExPosition}；对于分析结果可视化，factoextra包封装了包括分析结果提取和基于ggplot2的数据可视化的函数。

找到数据中的隐藏模式

通过减少数据中的噪声和冗余进行降维

找到相关变量

X :数据集，每一行是一个样例，列代表观测值。 ind.sup : 指定Supplementary individuals所在的列 quanti.sup, quali.sup : 指定定性和定量观测值所在的列