先上例子：
代码
生成结果
图1根本看不出是什么分布，将图一的数据进行PCA分析，可以得到图二所示：
PCA过程：
1.特征值分解
2.选择特征值较大的k个所对应的特征向量
3.将原数据减去均值（mXn），协方差为（nXn), 选取的k个特征向量组成的矩阵为EigenVectors(n*k)。那么投影后的数据FinalData为
FinalData(mXk) = DataAdjust(mXn矩阵) x 特征向量(nXk)
但是，还是会丢失一些信息~
PCA的思想是将n维特征映射到k维上（k<n），这k维是全新的正交特征。这k维特征称为主成分，是重新构造出来的k维特征，而不是简单地从n维特征中去除其余n-k维特征。
PCA解释
左边的图L1与L2范围太接近了，不适合降维；如果将坐标轴旋转到右边图所示，那么L1与L2的值相差较大就适合降维。椭圆的长短轴相差得越大，降维也越有道理。
这样的过程就相当于寻找一个旋转矩阵，经过推导，这个旋转矩阵是与特征值有关。
具体推导看reference。
值得注意的是：
PCA是一个无标签的分类，他不考虑数据是否有标签，这样会导致原本可以分开的数据做了PCA后就分不开了。这时候可以用LDA( Linear Discriminant Analysis)
reference:
http://blog.jobbole.com/109015/
网友评论