python机器学习08:数据降维

#1.PCA主成分分析
举个例子，我们新买的汽车有两个特征来影响我们的心情：一个是动力；另一个是外观
如图：

从图中，我们可以看出汽车外观对小I的喜好影响比较大，而性能则影响相对较小。这样我们可以在图中添加一点标注，如下图：

图中，我们把数据点分布最“长”的方向标注为“成分1”，而与之成90度角方向标注为“成分2”。假如现在，我们让“成分2”取值为0，把“成分1”作为横坐标，重新画这个图，如下图：

经过这样的处理后，数据集从一个散点组成的面变成了一条直线，也就是从二维变成了一维。这就是数据降维，而这里我们用到的方法，称为主成分分析法（PCA）。
#2.数据降维场景：
1.在现实世界的数据分析当中，有些数据集的维度会达到成千上万，这样如果不进行数据降维操作的话，对于机器学习模型来说，处理的过程可能会非常缓慢。
2.还会有一些特征之间有非常强烈的相关性，比如人口数据集中，如果性别为男这一列取值为1，则性别女这一列取值只能是0，去掉其中任何一列不会丢失任何