在前述章节中，已经明确以排序方式确定主成分：第一个主成分“解释”（或说明）了数据中的大部分方差。第二个PC“解释”数据中第二大的方差量，依此类推。另请回想一下：
•主成分分析的主要目标是降维
•由每个PC解释的方差由其特征值给出
•原始变量越多，可能的PC就越多（假设数据中的观测值对于变量）
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PC，我们将得到一个与原始数据集具有相同维度的新数据集，而非一个降维的数据集。因此，我们必须想出一种方法来指定哪些PC我们想保留，哪些我们不想保留。将成分确定为原始变量的线性组合并保留其中“最重要的”的整个过程称为特征提取（不要与特征选择混淆）。
从可能的PC总数中选择PC子集有几种不同的常见方法，大多数均与特征值有关（已在前面讨论过）
成分选择方法
以下几页描述了选择PC子集的不同技术以及每种技术的优势。本文描述的许多经典技术均以基本标准为基础，在计算模拟广泛可用之前，历史上一直依赖于这些标准。平行分析通过蒙特卡罗模拟法改进了许多这些技术。如果您只阅读其中一种方法，请阅读平行分析。
