PCA降维

参考：https://blog.csdn.net/u014755493/article/details/69950744
降维：即将高纬度的数据，去除其属性维度的冗余，在保证原有数据分布和信息的情况下有效简化数据。降维后最终的目标是各个属性之间线性无关。

PCA通过线性变换将原始数据变换为一组各维度线性无关的表示，可用于提取数据的主要特征分量，常用于高维数据的降维。

PCA步骤：
设有m条n维数据。
1）将原始数据按列组成n行m列矩阵X

2）将X的每一行（代表一个属性字段）进行零均值化，即减去这一行的均值

3）求出协方差矩阵

4）求出协方差矩阵的特征值及对应的特征向量r

5）将特征向量按对应特征值大小从上到下按行排列成矩阵，取前k行组成矩阵P

6）即为降维到k维后的数据

主要代码：
from sklearn.decomposition import PCA

#保证降维后的数据保持90%的信息
pca = PCA(n_components=0.9)
pca.fit(x)
pca.transform(x)

参考：
https://www.cnblogs.com/NextNight/p/6180542.html
PCA的数学模型

多层感知器模型：
https://blog.csdn.net/xueli1991/article/details/52386611