PCA 主成分分析

简介

数据降维， 是指在某些限定条件下，降低随机变量个数，得到一组不相关主变量的过程

作用：
实现数据可视化
减少模型分析数据量，提升处理效率，降低计算难度

如何实现？
使投影后数据的方差最大，因为方差越大数据也越分散

计算过程：
原始数据预处理（标准化 \(\mu = 0, \sigma = 1\)）
计算协方差举止特征向量，及数据在各特征向量投影后的方差
根据需求确定降维维度K
选取K维特征向量，计算数据在其形成空间的投影

PCA与线性回归的根本差异在于：

PCA中的误差是点到直线的距离
即（cost = sqrt((x - x1)^2 + (y - y1)^2)）
线性回归中的误差，体现在这个点在直线上的投影与原本点的“y”值之间的差异
即（cost = f（x） - y）
f(x)为拟合出的函数

参考链接

https://blog.csdn.net/mianshui1105/article/details/52935765