PCA(Principal Component Analysis)，PAC的作用主要是降低資料集的次元，然後挑選出主要的特征。
PCA的主要思想是移動坐标軸，找到方差最大的方向上的特征值，什麼叫方差最大的方向的特征值呢。就像下圖中的曲線B，一樣，它的覆寫範圍最廣。
基本步驟：（1）首先計算資料集的協方差矩陣
（2）計算協方差矩陣的特征值和特征向量
（3）保留最重要的n個特征
what is 協方差矩陣：
可以參考wiki：（http://zh.wikipedia.org/wiki/%E5%8D%8F%E6%96%B9%E5%B7%AE%E7%9F%A9%E9%98%B5）
僞代碼如下（摘自機器學習實戰）：
loadDataSet函數是導入資料集。
PCA輸入參數：參數一是輸入的資料集，參數二是提取的次元。比如參數二設為1，那麼就是傳回了降到一維的矩陣。
PCA傳回參數：參數一指的是傳回的低維矩陣，對應于輸入參數二。參數二對應的是移動坐标軸後的矩陣。
上一張圖，綠色為原始資料，紅色是提取的2維特征。
/********************************
* 本文來自部落格 “李博Garvin“
******************************************/