Pipline（流水线）和主成分分析

Pipline（流水线），这个模型的理论基础是联结主义，从工程实现的角度来讲，我们首先调用spectral embedding 对训练数据做特征提取，再调用K-means完成最后的模型预算，这是pipeline的实际理念。
一个piipeline有n个模型顺序组成，其中前n-1个模型被称为Transformer,主要作用是对数据进行特征提取，最后一个模型被称为Estimator，主要作用是在特征的基础上完成最后的模型预测。
从代码层面上讲，前面n-1个Transformer必须实现fit和transform这两个接口，最后一个Estimator则只实现fit这个接口。

主成分分析（Principal Components Analysis，PCA）
非监督式学习的主要模型--降维，也就是将高位空间里的数据映射到低维空间。降维可以帮助我们更好的找出数据的主要特征。
PCA这个模型的主要目的是找出数据中的主要成分，也就是数据变化幅度排名前几位的维度。主成分分析的目的是尽可能的保留数据的差异。主成分分析是不断画直线，并向直线做投影的方法来对数据进行降为的，因此他对线性数据的降维很好，也就是降维过程中损失的信息较小。