1.可以参考文章：
自己去搜索相关的介绍，我只是写一些需要注意的地方，PCA的训练只考虑x，不需要考虑y
2.PCA与线性回归的区别：
线性回归有一个拟合值，它的误差是红线代表线性回归的误差
但是对于PCA算法来说：
3.数据处理：
特征什么的进行归一化(或者叫做特征缩放)
4.在数学上面的表示(奇异值分解)SVD
在matlab里面或者octave里面有一个现成的svd()函数：
在这里的Sigma代表一个协方差矩阵，对于svd的讲解，可以参考：https://blog.csdn.net/xiaocong1990/article/details/54909126
Z=X*Ureduce 这个有可能是这样写的，根据维度的关系自己去横向一下
5.PCA的应用
(1)对监督算法进行加速，比如减少输入的维度
(2)减少存储的空间，压缩文件，可视化，加速训练
注意：不能用于下列的应用：
(1)不能用于防止过拟合
(2)不能滥用PCA算法，只有在数据太大或者训练太慢的时候，才考虑使用PCA,如果不适用PCA也能训练什么的，可以不使用PCA，PCA选择K的值(保证选择的特征的方差什么的占包分之90多的维度值)什么的也是比较麻烦的