PCA主成分分析学习

PCA训练的一般方法步骤从应用的角度实现降维：

1.那原始数据的每一个样本用一个向量表示，然后所有的样本组合起来就构成了一个矩阵，为了避免样本收到单位的影响，样本需要标准化。

2.求该矩阵的协方差矩阵。所谓协方差就是cov（X,Y）比较向量X Y的相关性，有正相关和负相关，0表示不相关。cov=sum[（Xi-mean（X））*（Yi-mean（Y））]/（n-1）

若X=Y，cov为方差。

3.求协方差矩阵的特征值和特征向量，特征值和特征向量 ：AX=λX，于是有：( A-λE)X=0；有解得条件是： A-λE|=0    ~~λ是方阵A的特征值，X是A的特征向量

      4.讲求得的特征向量按照特征值的大小进行组合成一个映射矩阵（当我们取到矩阵的前N个最大的特征值的时候，我们可以说提取到的矩阵主要的成分），并根据指定PCA保留的特征个数取映射矩阵的前n行（列），作为最终映射矩阵。           5.用最终的映射矩阵对原始数据进行映射，达到降维目的

-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- -------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- -------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- -------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- ------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- PCA：是无监督学习，LAD有监督学习，未完待续~~~~