最近发现，主成分分析在某些时候，相当好用。
虽然主成分分析不是高大上的算法，就是用协方差矩阵求特征根，把最大的两个特征根提取出来当2个主成分。
当你有某年的月份数据，有12个列，每个月份是一个列，你想探索在这些月份之间是否有什么规律？
难点：如果你直接使用聚类，探索内部结构，通常很难得到有价值的东西，而且12个变量，你很难可视化，用图形表示。
解决之道：当这些月份之间确实不同，比如中国一般2月是新年，2月的数据一般会明显区别于其他的月份。当然也会有其他的规律，这要根据具体的数据，这时，使用主成分分析就很好使，找到2个主成分，把这两个主成分当成2个维度，使用载荷图就把所有的观察值都画在一个图上，是否存在有趣的规律，一眼就可以看到。然后在用聚类把主成分中的规律提取出来。
比如下面链接中的分析，该文章把自行车出行的数据转换成以天为行，以每天的24小时为列，尝试探索这24个小时之间的关系。
首先：对24个维度做主成分分析，取得2个主成分，
其次：画图后，发现有2个类别，使用高斯混合模型聚类，把两个类别聚类出来，
最后：标签返回源数据，解释这两个类别：
早晚有两个高峰，早高峰通过桥东边的多，晚高峰通过桥西边的多，刚好一个去，一个返；
详情见链接中的网页文章，有图片有代码。
https://jakevdp.github.io/blog/2015/07/23/learning-seattles-work-habits-from-bicycle-counts/
备注：转移自新浪博客，截至2021年11月，原阅读数128，评论0个。