update CH16

CH16/README.md

@@ -27,8 +27,10 @@
 - $y_k=\alpha_k^\mathrm{T}\boldsymbol{x}$考虑PCA是通过组合特征的方法来降维，这样用到**线性组合**。因为涉及到线性组合，所以在PCA过程中首先要给数据规范化就好理解了，也比较好理解数据的"结构"这种说法。
 - 书中有提到在实际问题中，不同变量可能有不同的量纲，直接求主成分有时会产生不合理的结果。**消除这个影响**常对各个随机变量实施规范化，使其均值为0，方差为1。
 - 关于主成分的性质，规范化的变量总体主成分主要是围绕特征值和特征向量展开的。
+- 关于总体和样本的说明可以参考一下Strang的书[^1]中第十二章部分说明。
 
 ## 内容
+
 ### 总体主成分分析
 
 #### 总体主成分性质
@@ -37,8 +39,6 @@
 2. $\sum\limits_{i=1}^m\lambda_i=\sum\limits_{i=1}^m\sigma_{ii}$
 3. $\sum\limits_{i=1}^m \mathrm{var}(x_i)=\mathrm{tr}(\mit{\Sigma}^\mathrm{T}\mathrm)=tr\mathrm(A\Lambda A^\mathrm{T}\mathrm)=\mathrm{tr}\mathrm(\Lambda\mathrm)=\sum\limits_{i=1}^m\lambda_i=\sum\limits_{i=1}^m \mathrm{var}\mathrm(y_i\mathrm)$
 
-
-
 两个拉格朗日函数的求导
 
 #### 规范化变量的总体主成分
@@ -152,3 +152,4 @@ $$
 
 ## 参考
 
+[^1]: [Introduction to Linear Algebra](https://github.com/J-Mourad/Introduction-to-Linear-Algebra-5th-Edition---EE16A/raw/master/Ed%205%2C%20Gilbert%20Strang%20-%20Introduction%20to%20Linear%20Algebra%20(2016%2C%20Wellesley-Cambridge%20Press).pdf)

README.md

@@ -261,7 +261,8 @@
 ## CH16 主成分分析
 
 - 利用正交变换将线性相关变量表示的观测数据转换为少数几个由线性无关变量表示的数据，线性无关的变量称为**主成分**
-- 
+- 主成分分析之前，需要对给定数据规范化，使得每一个变量均值为0，方差为1。
+- 提到了总体主成分和样本主成分，前者是后者的基础。主要体现在总体考虑期望，样本考虑均值。样本主成分具有和总体主成分一样的性质。
 
 ## CH17 潜在语义分析