主成分分析是统计方法里的一种降维方法，它的主要思想是将原有N个特征通过正交变换将一组可能存在相关性的特征缩减到K特征(K<=N) 。
高维：定义好抽象呀，能解释一下么？
路思：我们先从二维情况理解一下定义，假设原始数据中有下单量和成交量呈现出正相关的关系，我用图2.2.3.1解释一下这个过程，这里假设该图假设这是一个二维数据，即只有两个变量，分别由横纵坐标代表，这些数据的分布是个椭圆形的点阵，那么我们能得到椭圆的一个长轴和短轴，在短轴方向上可以看到数据的变化幅度不大，那么将变化不明显的短轴退化成没有幅度变化时，这样数据只有在长轴上有变化，这样二维数据就降维到一维了，我们把长轴u1称为主成分方向，在二维空间中取和u1方向具有最大方差的正交的的方向就是u2方向，u2则是我们选择出的第二个主成分，以此类推。
图2.2.3.1
高维：恩，也就是说比如商品评价满意度可以分为快递满意度，商品满意度两个属性决定，我使用PCA后，可能得到的是这样一个属性就可以决定商品评价满意度了吧
路思：是的，从PCA定义看多属性时，PCA主成分对最终结果的影响是按照从大到小被计算出来的，也就是第一个计算出来的是第一主成分，是最关键的第一因素，第二主成分要稍微弱一些，以此类推。