[R特征值/特征向量

Question

我有这样的相关性矩阵

A 
[,1] 1.00000 0.00975 0.97245 0.43887 0.02241 
[,2] 0.00975 1.00000 0.15428 0.69141 0.86307 
[,3] 0.97245 0.15428 1.00000 0.51472 0.12193 
[,4] 0.43887 0.69141 0.51472 1.00000 0.77765 
[,5] 0.02241 0.86307 0.12193 0.77765 1.00000 

，我需要得到的特征值，特征向量和负载量R.

当我使用princomp(A,cor=TRUE)功能我得到的方差（特征值） 但是当我使用eigen(A)函数时，我得到了特征值和特征向量，但在这种情况下的特征值与当我使用Princomp函数时不同。

哪个函数是正确的一个获得特征值？

Answer 1

eigen(M)给你M.

princomp()的正确特征值和载体将被切换数据矩阵 - 你错误地喂养它的相关性矩阵！ princomp（A，）将A视为数据，然后提出相关矩阵及其特征向量和值。因此，A的特征值（假设A保持数据的假设）不仅不相关，而且它们与princomp（）在最后提出的当然不同。

用于执行R A PCA在这里看到的说明：http://www.joyofdata.de/blog/illustration-of-principal-component-analysis-pca/

Answer 2

我相信你指的是一个PCA分析时，你说话的特征值，特征向量和负荷。 prcomp基本上从事以下（当cor=TRUE）：

###Step1 
#correlation matrix 
Acs <- scale(A, center=TRUE, scale=TRUE) 
COR <- (t(Acs) %*% Acs)/(nrow(Acs)-1) 
COR ; cor(Acs) # equal 

###STEP 2 
# Decompose matrix using eigen() to derive PC loadings 
E <- eigen(COR) 
E$vectors # loadings 
E$values # eigen values 

###Step 3 
# Project data on loadings to derive new coordinates (principal components) 
B <- Acs %*% E$vectors