机器学习实战：PCA主成分分析与降维技术

降维技术

通常情况下，在实际应用中我们会遇到多维度的信息处理问题，在这种情况下会带来较大的计算资源消耗问题。此外，在实际应用中发现这些原始信息库往往存在大量的冗余信息我们可以通过筛选掉一些不必要的属性来进一步优化从而实现对数据进行降维处理以有效降低算法运行所需的计算资源消耗并提高处理效率

PCA(Principal Component Analysis)主成分分析

在PCA过程中，原始数据坐标系会被转换到一个新的坐标系中。这个新的坐标系并非随意设定，在数据特征的基础上精心规划是关键策略。通常情况下，第一个新坐标轴会选择原始数据方向方差最大的方向作为基准轴线；第二个新坐标轴则是在与第一个轴正交的前提条件下选择具有最大方差的方向。这种选择的本质在于确保第二个方向与第一个方向之间的关联程度较低。如果两者之间存在较强的相关性，则可以选择其中一个即可；后续的方向选择以此类推，在保证维度缩减的同时尽量保留数据变异信息。根据计算结果发现，在大多数情况下前几个主成分能够集中大部分方差信息；因此后续维度选择可忽略这些次要方向而实现降维效果。此外书中给出了实现这一过程的伪代码描述

看着