前语：人工智能机器学习有关算法内容，人工智能之机器学习主要有三大类：1)分类;2)回归;3)聚类。今日咱们要点讨论一下PCA算法。
PCA(主成分剖析)是十大经典机器学习算法之一。PCA是Pearson在1901年提出的，后因由Hotelling在1933年加以开展提出的一种多变量的核算办法。
关于维数比较多的数据，首要需求做的事就是在尽量确保数据实质的前提下将数据中的维数下降。降维是一种数据集预处理技能，往往在数据使用在其他算法之前运用，它能够去除去数据的一些冗余信息和噪声，使数据变得愈加简略高效，然后完成提高数据处理速度的意图，节约很多的时刻和本钱。降维也成为了使用十分广泛的数据预处理办法。现在处理降维的技能有很多种，如SVD奇异值分解，主成分剖析(PCA)，因子剖析(FA)，独立成分剖析(%&&&&&%A)等。今日要点介绍主成分剖析(PCA)。
PCA(主成分剖析)算法意图是在“信息”丢失较小的前提下，将高维的数据转换到低维，经过析取主成分显出的最大的个别差异，也能够用来减少回归剖析和聚类剖析中变量的数目，然后减小核算量。
PCA(主成分剖析)一般用于高维数据集的探究与可视化，还能够用于数据压缩，数据预处理等。
PCA算法概念：
PCA(PrincipalComponent Analysis)主成分剖析，也称为卡尔胡宁-勒夫改换(Karhunen-Loeve Transform)，是一种用于探究高维数据结构的技能。
PCA是一种较为常用的降维技能，PCA的思维是将维特征映射到维上，这维是全新的正交特征。这维特征称为主元，是从头结构出来的维特征。在PCA中，数据从本来的坐标系转换到新的坐标系下，新的坐标系的挑选与数据自身是密切相关的。第一个新坐标轴挑选的是原始数据中方差最大的方向，第二个新坐标轴挑选和第一个坐标轴正交且具有最大方差的方向。该进程一向重复，重复次数为原始数据中特征的数目。大部分方差都包含在最前面的几个新坐标轴中。因而，能够疏忽余下的坐标轴，即对数据进行降维处理。
