核PCA与PCA的核心区别在于核函数的作用

1.PCA简介

当面临维度危机时，特征选择通常采用两种途径，分别为特征选择与特征抽取。其中，特征选择指的是依据特定规则直接剔除部分特征，而特征抽取则是通过映射方式将高维数据转换为低维表示。PCA（又称K-L变换），即主成分分析，是实现特征抽取的重要手段之一。

        PCA适用于非监督的学习的不带标签(带标签的样本，往往用LDA降维)的样本降维，特别是小样本问题。广义认为，这类样本属性之间的相关性很大，通过映射，将高维样本向量映射成属性不相关的样本向量。PCA的步骤是：
    **1.特征中心化。即每一维的数据都减去该维的均值。
           2.计算协方差矩阵.
           3.计算协方差矩阵的特征值和特征向量。
           4.选取从大到小依次选取若干个的特征值对应的特征向量，映射得到新的样本集。**

具体步骤和分析点击：主成分分析PCA，特征降维-PCA

实际上，较大的特征值所对应的映射向量或映射方向，能够让样本在经过映射之后呈现出最大的方差。样本在该方向上往往具有最大的扩展性。通常来说，包含有效信息的数据往往表现出较大的方差或较高的能量。相反地，较小的特征值所对应的特征向