Nos, a @Srikant már megadta a helyes választ, mivel a forgatás (vagy betöltések) mátrix oszloponként elrendezett sajátvektorokat tartalmaz, így csak meg kell szorozni (a % *% használatával) a vektorát vagy új adatok mátrixa pl prcomp (X) $ rotation . Vigyázzon azonban a PCA EV-k kiszámításakor alkalmazott extra központosítási vagy méretezési paraméterekkel.

Az R-ben hasznos lehet a predict () függvény is, lásd: ? megjósolni.prcomp . BTW, egyszerűen megadhatja, hogy miként valósul meg az új adatok vetítése:

  getS3method ("előrejelzés", "prcomp")  

A @ chl fantasztikus válaszához (+1) hozzáadva könnyebb megoldást is használhat:

  # végrehajtja a fő összetevők elemzését pca <- prcomp (data) # új adatokat vetít rá a PCA űrskála (newdata, pca $ center, pca $ scale)% *% pca $ rotation 

Ez nagyon hasznos, ha nem akarja menteni a teljes pca objektum az newdata kivetítésére a PCA-helyre.

SVD-ben, ha A egy mxn mátrix, a jobb oldali V egyes mátrix legfelső k sora az A eredeti oszlopainak k-dimenziós ábrázolása, ahol k < = n

A = UΣV ^t
=> A ^t = VΣ ^t U ^t = VΣU ^{t
=> A t U = VΣU t U = VΣ ----------- (mert U merőleges) => A t UΣ -1 = VΣΣ -1 = V}

Tehát $ V = A ^ tUΣ $ ^-1

Az A ^t sorai vagy az A oszlopai az V. oszlopaihoz.
Ha az új adatok mátrixa, amelyen PCA-t kell végrehajtani a dimenziócsökkentéshez, Q, aqxn mátrix, akkor a képlet segítségével számítsa ki $ R = Q ^ tUΣ $ ^-1 , akkor az R eredmény a kívánt eredményt. R egy n-n mátrix, és az R legfelső k sora (n-nek k-ként tekinthető) Q oszlopainak új ábrázolása a k-dimenziós térben.

Úgy gondolom, hogy a sajátvektorokat (vagyis a fő komponenseket) oszlopként kell rendezni.