R 语言是为数学研究工作者设计的一种数学编程语言，主要用于统计分析、绘图、数据挖掘。 机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。
这节课讲因子分析
项目实操——因子分析
探索性因子分析法（exploratory factor analysis），简称EFA，是一系列用来发现一组变量的潜在结构的方法，它通过寻找一组更小的、潜在的或隐藏的结构来解释已观测到的、显式的变量间的关系。
下面列举一个因子分析的案例：
factanal()函数
这里我们使用factanal()函数进行因子分析，使用ability.cov数据集进行演示：
首先对数据集进行处理，利用option()函数将数据保留两位小数
options(digits=2) covariances<-ability.cov$cov
cov2cor()函数转化为相关系数
#定义covariences变量，取数据集中的cov列，因为ability.cov数据集是一个列表
转化为系数矩阵（原来表里面的数据是方差，然后用cov2cor()函数转化为相关系数）：
correlations<-cov2cor(covariances)
fa.parallel()函数
同样使用fa.parallel()函数判断参与分析的因子个数，这里我们把选项参数fa设置为‘Both’表示即研究主成分也研究因子分析：
fa.parallel(correlations,fa="both",n.obs=112,n.iter=100)
n.obs是观测的数量，也就是样本数，可以通过abilitycov$n.cobs计算得出
观察图中结果，显示要提取两个因子。FA分析是看特征值数大于0，pc看特征值数大于1
fa<-fa(correlations,nfactors=2,rotate="none",fm="pa")
#nfactors是指因子数，rotate是指需不需要旋转，fm是用于进行因子分析的方法
正交旋转法：两个因子之间不相关，斜交旋转法：两个因子之间相关
（后面的多看书-R语言实战）
