目录
1）Motivation 1:Data Compression
2）Motivation 2: Data Visualization
3）Principal Component Analysis problem formulation
4）Principal Component Analysis algorithm
5）Advice for applying PCA
1）Motivation 1:Data Compression
无监督学习第二个算法：降维，降维有两个目的：1是数据压缩，2是可视化，数据压缩就是减少特征。工业中我们常常会碰到上万的特征，这是我们就需要压缩数据，找出其中重要的特征。下面是3维压缩为2维的例子：
2）Motivation 2: Data Visualization
能将数据可视化的话对我们处理问题很有帮助，下面是关于几个国家GDP可视化的例子：
3）Principal Component Analysis problem formulation
主成分分析是常见的降维方法。
需要注意的是：主成分分析不是线性回归。
主成分分析是最小化投射误差，线性回归是最小化预测误差。下图左面是线性回归，右边是主成分分析。
4）Principal Component Analysis algorithm
下面介绍PCA算法：
1）均值归一化：
2）计算协方差矩阵：
3）计算协方差矩阵的特征向量；
5）Advice for applying PCA
使用从训练集得来特征向量；
PCA不宜用来防止过拟合；
PCA不是必要的机器学习过程；
