R语言 PCA主成分分析（2）
R语言 PCA主成分分析（2）
前言PCA分析的一些术语及思想R语言中2种PCA函数的差异一些基础概念后记
前言
昨天学习了下PCA的R语言操作，但是今天复习的时候突然发现昨天似乎疏忽了一个问题——做PCA分析似乎有2个函数：prcomp和princomp。而且关于PCA中的一些基本思想似乎我还没有那么熟悉，于是，到B站学习了半个小时，似乎大致弄懂了些东西，这里就再顺便记录下好了。
当然了，还是推荐大家自己去学习，我会把所有用到的学习资料链接都放上：
https://www.bilibili.com/video/BV1T4411T73S
https://www.bilibili.com/video/BV1T4411T733
https://blog.csdn.net/weixin_44084325/article/details/90729121
https://blog.csdn.net/lfz_carlos/article/details/48442091
https://www.jianshu.com/p/86d533128f7e
https://blog.csdn.net/weixin_44084325/article/details/90729121
PCA分析的一些术语及思想
关于PCA分析的中心思想，看了看发现我很早之前在学习statquest的时候就总结过，所以就不再赘述了，放个链接，想学的自己去看：
关于PCA中的几个术语解释：载荷分数 (Loading score)，特征值，奇异值。
参考下图来理解：
特征值：图中的SS（所有绿点的投影点到原地距离的平方和）
奇异值：特征值的平方根
Loading：每个基因所占比例，越大说明贡献越多
R语言中2种PCA函数的差异
reference：
https://blog.csdn.net/weixin_44084325/article/details/90729121
https://blog.csdn.net/lfz_carlos/article/details/48442091
总结来说：
| princomp | prcomp | |
|---|---|---|
| R mode / Q mode | 只适用于R mode | 适用于R mode 和 Q mode |
| 基于算法 | 基于 协方差(covariance) 或者 相关矩阵(correlation) 提取的特征(eigen) ， 也叫 spectral decomposition | 基于SVD分解 |
| 载荷因子的表示 | loadings | rotation |
一些基础概念
reference：
https://www.jianshu.com/p/86d533128f7e
https://blog.csdn.net/weixin_44084325/article/details/90729121
变量（variable）：个体中感兴趣的特征。在测序数据中，可以理解为基因。
观测值（observation）：对某一特定个体得到的测量值集合。在测序数据中，可以理解为样本。
R mode / Q mode 之间的差异与联系：
R-mode PCA examines the correlations or covariances among variables.
Q-mode focusses on the correlations or covariances among samples.
也就是说，对于找基因之间关系，我们应该用R-mode，也就是用函数
princomp而对于对于找样本之间关系，我们应该用Q-mode，也就是用函数
prcomp
后记
内容有些简陋，没有写的那么仔细，但是内容量还是比较干货，希望大家能看懂。