1/简介
它是最常用的降维方法之一
将一组可能存在相关性的变量转换为一组线性不相关的变量，转换后的变量被称为主成分。
每一个主成分都是由原本所有的变量转换出来的。
主成分更加具有区分度，而且由原来的高维，变成了低维，更容易理解和可视化。
可以使用两种方法进行PCA，分别是特征分解和奇异值分解。
PCA就是将高维的数据通过线性变换投影到低维空间中去，要遵循一个指导思想：
找出最能够代表原始数据的投影方法
希望降维之后的数据不能失真，
也就是说：被降掉的那些维度只能是那些噪声或者冗余的数据
冗余：就是去除线性相关的特征，因为可以被其他特征代表，所以这部分数据是多余的
噪声：就是去掉较小特征值对应的特征向量
因为特征值的大小就反映了变换后在特征向量方向上变换的幅度，幅度越大，说明这个方向上的元素差异越大，换句话说这个方向上的特征值更分散。
2/降维可以解决的问题？
降维致力于解决三类问题。
第一：降维可以缓解维度灾难问题
第二：降维可以在压缩数据的同时让信息损失最小化，及数据不失真
第三：理解拥有几百个维度的数据很困难，两三个维度的数据通过可视化更容易理解
