PCA（主成分分析）是一种常用的降维技术，通过映射数据到新的特征空间，减少维度的同时保持数据的信息量。其目标是提升算法效率和数据可视化，衡量指标为样本方差。PCA通过矩阵分解实现，例如将二维数据降至一维。降维不同于特征选择，前者产生与原始特征不同的新特征。PCA在数据可视化、降噪和识别关键特征（如人脸识别）等领域有广泛应用。
1. 定义：将现有特征映射到一个新的特征空间中，然后得到新的特征。 特点：维度降低，数据改变。
2. 目的：算法运算更快效果更好；数据可视化
3. 衡量指标：样本方差，又称可解释性方差，方差越大，特征所带的信息量越多。
其中，Var表示某特征的方差，n代表样本量，xi表示某特征中的各样本 取值，x’代表该特征对应样本的均值。
4. 方法：矩阵分解。用来找出n个新特征向量，让数据能够被压缩到少数特征上并且总信息量不损失太多的技术。
5. 操作过程：
6. 举例：
原数据是二维的（x1和x2），找到新的特征空间（x1’和x2’
最低0.47元/天 解锁文章
扫一扫
485
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
