在大多数情况下，对时间序列数据进行主成分分析是没有意义的。

A、主成分分析的过程就是坐标系刚性旋转的过程

B、各主成分表达式就是新坐标系与原始坐标系的转换关系

C、在新坐标系中，各坐标轴的方向就是原始数据变差最大的方向

D、把由构成的p维坐标系进行旋转而构成新的坐标系，使得样本在延着坐标轴方向有最小的离散程度（方差最小）

A、主成份分析方法是一种保证数据被投影后方差最大的特征降维方法

B、在主成份分析的降维过程中，尽可能将数据向方差最大方向进行投影，使得数据所蕴含信息没有丢失，彰显个性

C、特征人脸方法是一种应用主成份分析来实现人脸图像降维的方法，其本质是用一种称为“特征人脸(eigenface)”的特征向量按照线性组合形式来表达每一张原始人脸图像，进而实现人脸识别

D、假设原始灰度人脸图像维度是n*n，则特征人脸的维度是其一半

A、主成分分析和因子分析虽然都用于数据降维，但它们存在差异。

B、主成分分析是把主成分表示成各个变量的线性组合。

C、因子分析仅仅是变量变换，用原始变量的线性组合表示新的综合变量，不含随机误差。

D、因子分析是把变量表示成各因子的线性组合。

A、完全相关

B、完全不相关

C、有较强的相关性

D、其他

A、销售量

B、单价

C、历史数据

D、生产量

A、主成分分析要学习一个映射矩阵，其大小是d×l

B、每个原始数据的维数大小从d变成了l

C、主成分分析学习得到了l个d维大小的向量，这l个d维向量之间彼此相关

D、在主成分分析中，我们将带约束的最优化问题，通过拉格朗日乘子法将其转化为无约束最优化问题

A、PCA包括了K-L变换。

B、标准PCA使用了波段的相关矩阵。

C、标准PCA使用了协方差矩阵，目标是数据压缩。

D、以相关矩阵进行的PCA计算，偏重于图像分析，所产生的结果具有更好的解释性，但失去了数据压缩的优势。