english version
(請注意：中文版本並未隨英文版本同步更新！)
首先，我們看看 PCA 所產生的主軸方向，是否和資料一致，請見下列範例：
很明顯的，PCA 的主軸剛好是延著資料最分散的方向。
在下面的範例，我們針對 150 筆 IRIS 資料進行 PCA，如下：
在上述範例中，第一個圖是把 IRIS 資料投影於第一和第二個 PCA 向量，第二個圖則是投影於第三和第四個 PCA 向量。很明顯的，在第一個圖形中，資料點分佈很散，而在第二個圖形中，資料點的散佈程度就比較小。（請注意：第二個圖的範圍比第一個圖的範圍小很多。）
對於 WINE 資料，我們可以進行類似的計算，範例如下：
很明顯的，第一個圖的散佈程度比第二個圖大很多。
PCA 的概念是「將資料拉開」（或是「將資料投影到變異量最大的子空間」），並沒有考慮到資料的類別，因此嚴格來說，並不完全適用於樣式辨認的問題。但由於「將資料拉開」與「將不同類別的資料拉開」有一些共同性，因此碰到有某一些資料維度太大的樣式辨認問題（例如人臉辨識），PCA 就常被使用，以降低資料維度及運算量。
若以 KNNC 及 leave-one-out 來測試 LDA 投影的維度對辨識率的影響，可使用下列範例程式來測試 iris 資料：
若以相同的方式來測試 WINE 資料，結果如下：
以上述兩個範例來看，似乎特徵個數越多，效果越好，換句話說，PCA對於分類而言，似乎沒辦法選取數個有效的特徵來得到辨識率的最大值，這也是一個合理的現象，因為PCA在選取投影的方向時，並未考慮資料的類別資訊。（在下一節中，你可以比較使用 LDA 於同樣的資料集所得到的結果。）
若我們將上述範例寫成一個函數 pcaKnncLoo.m，則可用此函數來測試「資料正規化」對於辨識率的影響，請見下列範例：
有上述範例可以看出，對於這個應用而言，使用了資料正規化，使得辨識率提升不少。但是，整體辨識率還是小於 LDA，請見下一節對於 LDA 的介紹以及相關的範例。
More info:
Data Clustering and Pattern Recognition (資料分群與樣式辨認)
