PCA scikit-learn 2.5 Decomposing signals in components(matrix factorization problems)

成分中的信号分解（矩阵分解问题）

2.5.1.1 exact PCA and probabilistic interpretation(精确主成分分析与概率解释)

PCA是用来分解多元数据集的，该数据集由一系列正交成分组成，表明了方差的最大值。
在PCA中，数据从原来的坐标系转换到了新的坐标系，新坐标系的选择是由数据本身决定的。第一个新坐标轴选择的是原始数据中方差最大的方向，第二个新坐标轴的选择和第一个坐标轴正交且具有最大方差的方向。该过程一直重复，重复次数为原始数据中特征的数目。会发现，大部分方差都包含在最前面的几个新坐标轴中。忽略余下的坐标轴即对数据进行降维处理。

可选参数whiten=True使其能够将数据映射到奇异空间上，同时将每个成分缩放到单位方差。

1.PCA模块：

1.class PCA

PCA类 It only works for dense arrays and is not scalable to large dimensional data.
计算复杂度为O（n**3),假设是n*n的矩阵
参数：
n_components:int None or string
保留的特征个数
当赋值为string，比如n_components=’mle’，将自动选取特征个数n，使得满足所要求的方差百分比。
copy：bool
默认为True，当为False时，原始数据将发生改变，不能用fit(X).transform(X),只能用fit_transform(X)（但是测试了一下还是一样啊）
whiten:bool,optional，默认为False
意义：白化，使得每个特征具有相同的方差。

2.class RandomizedPCA

RamdomizedPCA的适用范围更大
inverse_transform（）：得到original space，原始空间

2.dict_learning模块

字典学习
_sparse_encode():