İlk olarak, ortalama çıkararak ortalama sıfırı elde edersiniz .μ=1N∑x
İkincisi, PCA yaparak kovaryansları sıfır alırsınız. Eğer verilerin kovaryans matrisidir, daha sonra PCA bir eigendecomposition gerçekleştirmek tutarındadır , burada olduğu ve özvektörlerinden oluşan dikey bir dönme matrisi , diyagonal üzerinde özdeğerleri olan bir çapraz matristir. Matrix , verilerin ilişkisini kaldırmak için gereken bir döndürme sağlar (örn. Orijinal özellikleri temel bileşenlerle eşler).Σ = U Λ U ⊤ U Σ Λ U ⊤ΣΣ=UΛU⊤UΣΛU⊤
Üçüncü olarak, rotasyondan sonra her bileşen karşılık gelen bir özdeğer tarafından varyansa sahip olacaktır. Yani marka için eşit sapmalar , sen karekökü ile böl gerekir  .1Λ
Hep birlikte, beyazlatma dönüşümü . Aradığınız formu almak için köşeli parantezleri açabilirsiniz.x↦Λ−1/2U⊤(x−μ)
Güncelleme. Daha fazla ayrıntı için bu sonraki konuya da bakın: ZCA beyazlatma ve PCA beyazlatma arasındaki fark nedir?