PCA

**

面试高危问题

**
在数据表或特征矩阵中，维度是特征的数量
1.
方差在PCA中可以认为是衡量特征信息量的尺度
方差越小，说明这个特征所包含的信息量越少，可以作为被降维的特征

可以对所有特征的信息量求和来判断降维前后整体数据信息量的变化

方差计算公式中
为什么样本方差的分母是n-1？为什么它又叫做无偏估计？
https://blog.csdn.net/qq_39521554/article/details/79633207
什么直接使用\frac{1}{n} \sum_{i=1}^n\Big(X_i -\bar{X}\Big)^2会导致对方差的低估
那么，在不知道随机变量真实数学期望的前提下，如何“正确”的估计方差呢？答案是把上式中的分母n换成n-1，通过这种方法把原来的偏小的估计“放大”一点点，我们就能获得对方差的正确估计了：

PCA和SVD本质上都是奇异值分解

降维和特征选择的不同

特征选择是从已存在的选择合适的（不改变特征本质
降维是从已存在的创造缩减为合适的（一定程度上改变特征本质
因此降维算法不适用于探究特征和标签之间的关系问题（比如回归算法

6. PCA重要类属性

可以用所的结果对比与原信息量的差值

怎样选择最好的n_components:

累积可解释方差贡献率曲线

8 .
最大似然法估计 自选超参数