版权声明：转载请注明作者与网址，谢谢 https://blog.csdn.net/zsx1713366249/article/details/84921359
作为一个非监督学习的降维方法，PCA（Principal Components Analysis）顾名思义，就是找出数据里最主要的方面，用数据里最主要的方面来代替原始数据。具体的，假如我们的数据集是n维的，共有m个数据(x1,x2,…,xm)。我们希望将这m个数据的维度从n维降到k维，希望这m个k维的数据集尽可能的代表原始数据集。但是，数据从 n维降到k维肯定会有损失，因此，PCA就是要是这个损失降到最小。
PCA数据降维步骤如下
输入：n维样本集X = (x1,x2,…,xm)，要降维到的维数k
输出：降维后的样本集Y
1.对所有的样本进行中心化
2.计算样本的协方差矩阵
3.求出协方差矩阵的特征值及对应的特征向量
4.将特征向量按对应特征值大小从上到下按行排列成矩阵，取前k行组成矩阵P
5.Y = PX即为降维到k维后的数据
PCA算法的主要优点有：
1，仅仅需要以方差衡量信息量，不受数据集以外的因素影响。
2，各主成分之间正交，可消除原始数据成分间的相互影响的因素。
3，计算方法简单，主要运算是特征值分解，易于实现。
PCA算法的主要缺点有：
1，主成分各个特征维度的含义具有一定的模糊性，不如原始样本特征的解释性强。
2，方差小的非主成分也可能含有对样本差异的重要信息，因降维丢弃可能对后续数据处理有影响。