虽然我不确定您的问题的性质，但我可以告诉您，我在稍后的模型构建中使用 PCA 作为在一组预测变量中提取主导模式的方法。在您的示例中，这些将在主成分 (PC) 中找到PCAAnalysis$x，它们将基于在 中找到的变量的权重PCAAnalysis$rotation。此过程的一个优点是 PC 是正交的，因此您可以消除模型预测变量之间的多重共线性问题。第二，您可能能够识别出较小的 PC 子集，这些 PC 可以捕获预测变量中的大部分方差。此信息可在summary(PCAAnalysis)或 中找到PCAAnalysis$sdev。最后，如果您有兴趣使用 PC 的子集进行预测，那么您可以将tol参数设置为prcomp到更高的级别以删除尾随 PC。

现在，您可以使用该功能将新数据“投影”到 PCA 坐标基础上predict.prcomp()。由于您将数据集称为“训练”数据集，因此将验证数据集投影到 PCA 基础上以计算它们各自的 PC 坐标可能是有意义的。下面是一个将 PCA 拟合到不同虹膜物种的 4 个生物特征测量值的示例（它们在一定程度上相关）。在此之后，我预测了一组新的花的生物特征值，这些数据集对三种鸢尾花中的每一种都有相似的这些测量值组合。您将从最终图表中看到，他们的投影 PC 位于与原始数据集相似的绘图区域。

iris使用数据集的示例：

### pca - calculated for the first 4 columns of the data set that correspond to biometric measurements ("Sepal.Length" "Sepal.Width"  "Petal.Length" "Petal.Width")
data(iris)

# split data into 2 parts for pca training (75%) and prediction (25%)
set.seed(1)
samp <- sample(nrow(iris), nrow(iris)*0.75)
iris.train <- iris[samp,]
iris.valid <- iris[-samp,]

# conduct PCA on training dataset
pca <- prcomp(iris.train[,1:4], retx=TRUE, center=TRUE, scale=TRUE)
expl.var <- round(pca$sdev^2/sum(pca$sdev^2)*100) # percent explained variance

# prediction of PCs for validation dataset
pred <- predict(pca, newdata=iris.valid[,1:4])

###Plot result
COLOR <- c(2:4)
PCH <- c(1,16)

pc <- c(1,2) # principal components to plot

png("pca_pred.png", units="in", width=5, height=4, res=200)
op <- par(mar=c(4,4,1,1), ps=10)
plot(pca$x[,pc], col=COLOR[iris.train$Species], cex=PCH[1], 
 xlab=paste0("PC ", pc[1], " (", expl.var[pc[1]], "%)"), 
 ylab=paste0("PC ", pc[2], " (", expl.var[pc[2]], "%)")
)
points(pred[,pc], col=COLOR[iris.valid$Species], pch=PCH[2])
legend("topright", legend=levels(iris$Species), fill = COLOR, border=COLOR)
legend("topleft", legend=c("training data", "validation data"), col=1, pch=PCH)
par(op)
dev.off()

您附加到问题的 summary() 命令的信息允许您查看，例如，每个主成分捕获的方差比例（方差比例）。此外，计算累积比例以输出。例如，您需要 23 台 PC 才能捕获数据集中 75% 的方差。

这当然不是您通常用作进一步分析输入的信息。相反，您通常需要的是旋转后的数据，它在 prcomp 创建的对象中保存为“x”。

使用 R 代码作为一个简短的示例。

pr<-prcomp(USArrests, scale = TRUE)
summary(pr) # two PCs for cumulative proportion of >80% 
newdat<-pr$x[,1:2]

然后，您可以使用 newdat 中的数据进行进一步分析，例如，作为 SVM 或某些回归模型的输入。此外，请参阅例如https://stackoverflow.com/questions/1805149/how-to-fit-a-linear-regression-model-with-two-principal-components-in-r了解更多信息。