主成分分析（PCA）

主成分分析（PCA）的原理就是将一个高维向量X，通过一个特殊向量矩阵U，投影到一个低维的向量空间中，表征为一个低维向量Y，并且仅仅损失了一些次要信息，也就是说，通过低维表征的向量和特征向量矩阵，可以基本重构出所对应的原始高维特征。
降维的必要性:

• 预测变量相互关联，多重共线性会导致空间的不稳定，从而导致结果的不连贯。
• 高维空间本身具有稀疏性。

• 过多的变量会妨碍查找规律的建立。
  降维的目的：

• 减少预测变量的个数

• 确保这些变量相互独立
• 提供一个框架来解释结果