深度学习基础——特征工程（二）

依然贴出概述图，接下来对多个特征部分的预处理详细解说。

一，特征降维——PCA（主成分分析）
我们在数据处理的过程中，丰富的特征提供信息的同时也提供了干扰，但是盲目减少指标又会丢失信息。因此，需要选择最有效的特征并且尽可能的减少信息丢失，这就是PCA的目标。

1，先讲数据降维。为什么数据能够降维？看下面图1，图1显示的是在空间中的数据，这些数据可以分到x,y,z三个特征轴上，但是我们可以看到这些点都在一个平面上，如果反过来想，坐标系完全可以建在x，y轴上，也就是说，与z轴的特征并没有很大相关性。

图1
又因为，三点总能成面，一般来讲n维空间中的n个点一定能在一个n-1维子空间中分析！
综上所述，我们认为，数据降维并没有丢弃数据，只是数据在那个维度并没有分量。现在，假设这些数据在z轴有一个很小的抖动，那么我们仍然用上述的二维表示这些数据，理由是我们可以认为这两个轴的信息是数据的主成分，而这些信息对于我们的分析已经足够了，z轴上的抖动很有可能是噪。也就是说本来这组数据是有相关性的，噪声的引入，导致了数据不完全相关&#