来源
https://www.icourse163.org/course/BIT-1001872001
主成分分析（PCA）
主成分分析（Principal Component Analysis，PCA）是最常用的 一种降维方法，通常用于高维数据集的探索与可视化，还可以用作数 据压缩和预处理等。 PCA可以把具有相关性的高维变量合成为线性无关的低维变量，称为 主成分。主成分能够尽可能保留原始数据的信息。在介绍PCA的原理之前涉及到的相关术语：
方差 协方差 协方差矩阵 特征向量和特征值方差：是各个样本和样本均值的差的平方和的均值，用来度量一组 数据的分散程度 协方差：用于度量两个变量之间的线性相关性程度，若两个变量的 协方差为0，则可认为二者线性无关。协方差矩阵则是由变量的协方差值 构成的矩阵（对称阵）。 特征向量：矩阵的特征向量是描述数据集结构的非零向量，并满足 如下公式： A是方阵， ?是特征向量，?
刘润森！ 认证博客专家 Python Java 前端 17年就读于东莞XX学院化学工程与工艺专业，GitChat作者。Runsen的微信公众号是"Python之王"，因为Python入了IT的坑，从此不能自拔。公众号内容涉及Python，Java计算机、杂谈。干货与情怀同在。喜欢的微信搜索：「Python之王」。个人微信号：RunsenLiu。不关注我公号一律拉黑！！！