主成分分析（PCA）是最常见的降维方法，其主要是找到一个方向向量，当我们把所有数据都投影到方向向量上时，希望投射平均均方误差尽可能地小。该方向向量是一个经过原点的向量，而投射误差是从特征向量向该方向向量作垂线的长度。
PCA从n维减少到k维的过程：
1、均值归一化。需要计算所有特征的均值，然后令Xj = Xj -μj 。如果特征是在不同的数量级上，还需要将其除以标准差。
2、计算协方差矩阵：
3、计算协方差矩阵的特征向量
PCA应用建议：
1、不要将PCA用于减少过拟合（减少特征数量）。因为PCA只是近似的丢掉一些特征，但并不考虑任何与结果变量有关的信息，所以很有可能会丢失掉非常重要的特征。减少过拟合应该采用正则化处理，正则化会考虑结果变量，因此不会丢掉重要的数据。
2、不要将PCA一开始作为学习部分，最好还是从所有特征开始，在有必要的时候才考虑PCA。