如何计算PCA的得分？

百度了一下，PCA有好多种，楼主可以自己去百度看一下
http://baike.baidu.com/view/852194.htm

主成分分析 （ Principal Component Analysis ， PCA ）是一种掌握事物主要矛盾的统计分析方法，它可以从多元事物中解析出主要影响因素，揭示事物的本质，简化复杂的问题。计算主成分的目的是将高维数据投影到较低维空间。给定 n 个变量的 m 个观察值，形成一个 n ′ m 的数据矩阵， n 通常比较大。对于一个由多个变量描述的复杂事物，人们难以认识，那么是否可以抓住事物主要方面进行重点分析呢？如果事物的主要方面刚好体现在几个主要变量上，我们只需要将这几个变量分离出来，进行详细分析。但是，在一般情况下，并不能直接找出这样的关键变量。这时我们可以用原有变量的线性组合来表示事物的主要方面， PCA 就是这样一种分析方法。 　　PCA 主要 用于数据降维，对于一系列例子的特征组成的多维向量，多维向量里的某些元素本身没有区分性，比如某个元素在所有的例子中都为1，或者与1差距不大，那么这个元素本身就没有区分性，用它做特征来区分，贡献会非常小。所以我们的目的是找那些变化大的元素，即方差大的那些维，而去除掉那些变化不大的维，从而使特征留下的都是“精品”，而且计算量也变小了。 对于一个k维的特征来说，相当于它的每一维特征与其他维都是正交的（相当于在多维坐标系中，坐标轴都是垂直的），那么我们可以变化这些维的坐标系，从而使这个特征在某些维上方差大，而在某些维上方差很小。例如，一个45度倾斜的椭圆，在第一坐标系，如果按照x,y坐标来投影，这些点的x和y的属性很难用于区分他们，因为他们在x,y轴上坐标变化的方差都差不多，我们无法根据这个点的某个x属性来判断这个点是哪个，而如果将坐标轴旋转，以椭圆长轴为x轴，则椭圆在长轴上的分布比较长，方差大，而在短轴上的分布短，方差小，所以可以考虑只保留这些点的长轴属性，来区分椭圆上的点，这样，区分性比x,y轴的方法要好！ 　　所以我们的做法就是求得一个k维特征的投影矩阵，这个投影矩阵可以将特征从高维降到低维。投影矩阵也可以叫做变换矩阵。新的低维特征必须每个维都正交，特征向量都是正交的。通过求样本矩阵的协方差矩阵，然后求出协方差矩阵的特征向量，这些特征向量就可以构成这个投影矩阵了。特征向量的选择取决于协方差矩阵的特征值的大小。

应助达人

PCA 是主成分分析的意思？

主要是一种算法，研发的人需要，应用者知道有这么回事就可以了

得分可以这样去理解。

测量信号Y可以被PCA分解成直角坐标（这种分解可以是超越3维的，这样在直观上可能就有些障碍了。）

那么那些成为坐标的向量就被称为负荷向量，而在坐标上的强度就是得分了。

例如描述空间中的一点，首先是定义坐标系，继而定义在坐标系内每个轴上的长度。PCA也是如此，不同的是，坐标可以无穷多个，而PCA的坐标和数据的聚集度有关，一群数据的最大方向是第一主元，也就是第一根坐标轴，第二根和第一根垂直，在无穷根垂直向量中，数据第二强度是唯一的，那就是第二根，以此类推，直到描述完所有维度。

学PCA模型计算?

那这种算法如何应用到光谱图的分析中呢?

研发的人可以仔细研究一下，象我等只使用仪器，不研发仪器的用户，只要知道个大概，会用就行了

应助达人

多少了解点还是有好处的

那是的，既知其然，也知其所以然，用起来就更得心应手了