ครั้งแรกที่คุณจะได้รับเป็นศูนย์เฉลี่ยโดยการหักค่าเฉลี่ย{x}μ=1N∑x
ประการที่สองคุณจะได้รับ covariances เป็นศูนย์โดยทำ PCA หากเป็นเมทริกซ์ความแปรปรวนของข้อมูลของคุณแล้ว PCA จำนวนเงินที่จะดำเนินการ eigendecompositionที่คือ เมทริกซ์การหมุนแบบมุมฉากประกอบด้วย eigenvector ของและเป็นเมทริกซ์ทแยงมุมที่มีค่าลักษณะเฉพาะบนเส้นทแยงมุม Matrixให้การหมุนที่จำเป็นในการยกเลิกการเชื่อมโยงข้อมูล (เช่นจับคู่คุณลักษณะดั้งเดิมกับส่วนประกอบหลัก)ΣΣ=UΛU⊤UΣΛU⊤
ประการที่สามหลังจากการหมุนแต่ละองค์ประกอบจะมีความแปรปรวนที่กำหนดโดยค่าลักษณะเฉพาะที่สอดคล้องกัน ดังนั้นเพื่อให้ความแปรปรวนเท่ากับคุณจะต้องหารด้วยรากที่สองของ\1Λ
ร่วมกันทั้งหมด, การเปลี่ยนแปลงผิวขาวใสเป็นMU) คุณสามารถเปิดวงเล็บเพื่อรับแบบฟอร์มที่คุณต้องการx↦Λ−1/2U⊤(x−μ)
ปรับปรุง ดูรายละเอียดเพิ่มเติมได้ในหัวข้อต่อไปนี้: ความแตกต่างระหว่าง ZCA กับ PCA คืออะไร?