在前几节中，我们已经确定了主成分是以排序方式定义的：第一个主成分“解释”（或说明）了数据中大部分的变异量。第二个主成分“解释”了数据中次多的变异量，以此类推。还请回顾：
•PCA的主要目标是降维
•每个主成分所解释的方差由其特征值决定
•可能的主成分数量与原始变量数量相等（假设数据中的观测值多于变量）
综合来看，这意味着如果我们要为一个数据集定义所有可能的主成分，最终得到的将是一个与原始数据集维度相同的新数据集——而不是一个维度已降维的数据集。 因此，我们必须找到一种方法来指定要保留哪些主成分，以及舍弃哪些主成分。将主成分定义为原始变量的线性组合，并从中保留“最重要的”主成分这一整体过程，被称为特征提取（不要与特征选择混淆）。
从所有可能的主成分中选取子集有几种常见方法，其中绝大多数都与特征值（前文已讨论）有关
成分选择方法
以下页面介绍了从主成分（PCs）中选取子集的各种技术及其各自的优势。此处描述的许多经典技术基于基础标准，在计算模拟尚未广泛应用之前，这些方法曾是主要依赖的手段。并行分析（Parallel Analysis）通过蒙特卡洛分析改进了其中许多技术。如果您只能了解其中一种方法，请务必阅读关于并行分析的内容。
