机器学习sklearn（14）PCA降维

降维就是指采用某种映射方法，将原高维空间中的数据点映射到低维度的空间中。在原始的高维空间中，包含冗余信息以及噪声信息，在实际应用中例如图像识别中会造成误差，降低准确率；而通过降维，可以减少信息的冗余、提高识别等的精度，还可以寻求数据内部的本质结构特征。

降维的目的 

1. 特征选择：选择重要的特征子集，删除其余特征； 
2. 特征提取：由原始特征形成的较少的新特征。

降维的作用：

1. 降低时间的复杂度和空间复杂度 
2. 节省了提取不必要特征的开销 
3. 去掉数据集中夹杂的噪音 
4. 较简单的模型在小数据集上有更强的鲁棒性 
5. 当数据能有较少的特征进行解释，我们可以更好地解释数据
6. 实现数据的可视化 

降维的本质：
学习一个映射函数f：X到Y。（X是原始数据点的表达，目前最多的是用向量来表示，Y是数据点映射后的低维向量表达。）f可能是：显示的、隐式的、线性的、非线性的。

主成分分析(PCA)是另一种常用的数据降维方法，它属于无监督学习算法，即在算法训练时，我们不需要知道样本对应的类别。
在映射函数f：X到Y中，我们希望样本点在每一维上的投影点尽可能分散。这种分散程度可以用方差来度量。我们希望降维后的各字段都不存在相关性，而协方差正是用来度量两个随机变量相关性的参数，协方差为0的两个随机变量称为不相关。至此我们得到了PCA的目标：将一组n维向量降为k维(0<k<n)，其目标是选择k个单位正交基，使得原始数据在变换到这组基上后，各字段两两协方差为0，而各字段的方差尽可能大。

PCA算法步骤总结如下：

将原始样本数据按列排成矩阵。
将的每一行(代表一个属性字段)进行0均值化处理。
求出协方差矩阵的特征值及对应的特征向量。
将特征向量对应特征值从大到小按列排列，取前列组成矩阵。
即为降维后的数据。

import pandas as pd
f = r'C:\Users\Machine Learning\wine.txt'
df_wine = pd.read_csv(f, encoding='ANSI', header=None)
print(df_wine.head())

 0      1     2     3     4    5     6     7     8     9     10    11    12  \
0   1  14.23  1.71  2.43  15.6  127  2.80  3.06  0.28  2.29  5.64  1.04  3.92   
1   1  13.20  1.78  2.14  11.2  100  2.65  2.76  0.26  1.28  4.38  1.05  3.40   
2   1  13.16  2.36  2.67  18.6  101  2.80  3.24  0.30  2.81  5.68  1.03  3.17   
3   1