你想弄懂什么？

PCA 算法从数据中减去均值以将其中心化，这意味着所有点的均值应该为零。这一步为随后的基于方差的步骤做准备，使散度矩阵的公式更简单。

适用条件：数据必须首先表示为矩阵 X。；减去的是均值 $\overline{X}$。；在这一步之后，视频在散度矩阵讨论中使用 $\overline{X} = 0$。

PCA 算法从数据中减去均值以将其中心化，这意味着所有点的均值应该为零。这一步为随后的基于方差的步骤做准备，使散度矩阵的公式更简单。

适用条件：数据必须首先表示为矩阵 X。；减去的是均值 $\overline{X}$。；在这一步之后，视频在散度矩阵讨论中使用 $\overline{X} = 0$。

在这里展示的 PCA 设置中，数据矩阵 X 的组织方式是其行是数据点，其列是特征。每一行都被视为一个 D 维向量。

适用条件：行对应于数据点。；列对应于特征。；每一行位于 $\mathbb{R}^D$ 中。

在这里展示的 PCA 设置中，数据矩阵 X 的组织方式是其行是数据点，其列是特征。每一行都被视为一个 D 维向量。

适用条件：行对应于数据点。；列对应于特征。；每一行位于 $\mathbb{R}^D$ 中。

视频使用椭圆来解释主成分，因为它为数据云提供了一个直观的几何模型。椭圆的主轴被识别为 PCA 想要找到的方向，这些方向称为主成分。

适用条件：数据由椭圆近似。；椭圆在口头上被描述为“基本上是二维高斯分布”。

视频使用椭圆来解释主成分，因为它为数据云提供了一个直观的几何模型。椭圆的主轴被识别为 PCA 想要找到的方向，这些方向称为主成分。

适用条件：数据由椭圆近似。；椭圆在口头上被描述为“基本上是二维高斯分布”。