PCA 与 eigenfaces

数学背景介绍： http://blog.jobbole.com/109015/

如何选择合适数量的主成分?

最好也是最笨的方法，就是通过增加主成分的数量，观察分类器的效果，当效果增加不明显或者发生过拟合的时候，就是该停止增加主成分数量的时候。

特征选择和PCA操作应该先执行哪个？

应该先执行PCA，在此基础上再执行特征选择。严禁颠倒顺序，除非对噪音特征有十足的把握可以删除。

特征脸eigenfaces是什么?

一个特征脸就是一个特征向量！特征脸与原始数据做点积操作，就变为一个压缩后的新特征值。由此可见，特征脸（向量）的维度与一个样本的维度是等同的！

image.png

These two links helped me a lot in understanding Principal Component Analysis and what it does, hope it helps you too.

https://onlinecourses.science.psu.edu/stat505/node/54(https://onlinecourses.science.psu.edu/stat505/node/54)[http://setosa.io/ev/principal-component-analysis/

http://setosa.io/ev/principal-component-analysis/