非监督学习——（PCA主成分分析）

1、Principal Component Analysis——PCA，擅长处理坐标系的移动和旋转问题。

2、它是一套全面应用于各类数据分析的分析方法。

3、概述原理：无论收到任何形状的数据，PCA从旧坐标系统仅通过转化和轮换获得新坐标系统，根据数据中心，将新坐标中心移动到数据中心，将新的x轴移至变化的主轴，在整个数据集中寻找最大方差的位置，进一步把轴移至正交处重要性较低的方向，主成分分析找到轴，并告诉这些轴的重要性。

4、步骤：

• 中心：数据的中心
• 主轴：
• 第二个成分：
• 最低输出向量呗规范为1

5、通过PCA可得出一个重要值，轴的分布值。如果分布率较小，该散布值对第一条变量轴来说倾向于一个很大的值，对于第二条变量轴来说则小很多。

6、主成分是最大方差的方向。

7、将信息损失减到最小的方向。丢失的信息等于某个特定的点与它在这条线上的新位置之间的距离。

8、总结：

• PCA是将输入特征转化为其主要成分的系统化方法。
• 使用主成分作为新的特征。
• 当对主成分执行投影或压缩，主成分是数据中使方差最大化的方向（信息丢失降至最低）。
• 对主成分划分等级，数据因特定主成分而产生的方差越大，那么主成分的级别越高。
• 最大方差 / 最多信息——第一主成分。第二大最大方差（与第一主成分没有重叠）——第二主成分。
• 主成分的数量最大值 = 数据输入特征数量。

9、何时使用PCA：

• 访问隐藏的特征（该特征是存在的情况下）。
• 降维：可视化高维数据；去噪；在另一个算法之前使用PCA进行预处理（归纳或分类）。