1、Principal Component Analysis——PCA，擅長處理座標系的移動和旋轉問題。
2、它是一套全面應用於各類數據分析的分析方法。
3、概述原理：無論收到任何形狀的數據，PCA從舊座標系統僅通過轉化和輪換獲得新座標系統，根據數據中心，將新座標中心移動到數據中心，將新的x軸移至變化的主軸，在整個數據集中尋找最大方差的位置，進一步把軸移至正交處重要性較低的方向，主成分分析找到軸，並告訴這些軸的重要性。
4、步驟：
- 中心：數據的中心
- 主軸：
- 第二個成分：
- 最低輸出向量唄規範爲1
5、通過PCA可得出一個重要值，軸的分佈值。如果分佈率較小，該散佈值對第一條變量軸來說傾向於一個很大的值，對於第二條變量軸來說則小很多。
6、主成分是最大方差的方向。
7、將信息損失減到最小的方向。丟失的信息等於某個特定的點與它在這條線上的新位置之間的距離。
8、總結：
- PCA是將輸入特徵轉化爲其主要成分的系統化方法。
- 使用主成分作爲新的特徵。
- 當對主成分執行投影或壓縮，主成分是數據中使方差最大化的方向（信息丟失降至最低）。
- 對主成分劃分等級，數據因特定主成分而產生的方差越大，那麼主成分的級別越高。
- 最大方差 / 最多信息——第一主成分。第二大最大方差（與第一主成分沒有重疊）——第二主成分。
- 主成分的數量最大值 = 數據輸入特徵數量。
9、何時使用PCA：
- 訪問隱藏的特徵（該特徵是存在的情況下）。
- 降維：可視化高維數據；去噪；在另一個算法之前使用PCA進行預處理（歸納或分類）。