降维
PCA方法
主成分分析（Principal Component Analysis，PCA）是最常用的 一种降维方法，通常用于高维数据集的探索与可视化，还可以用作数 据压缩和预处理等。
PCA可以把具有相关性的高维变量合成为线性无关的低维变量，称为主成分。主成分能够尽可能保留原始数据的信息。
在介绍PCA的原理之前需要回顾涉及到的相关术语：
• 方差
• 协方差
• 协方差矩阵
• 特征向量和特征值
方差：是各个样本和样本均值的差的平方和的均值，用来度量一组 数据的分散程度。
协方差：用于度量两个变量之间的线性相关性程度，若两个变量的 协方差为0，则可认为二者线性无关。协方差矩阵则是由变量的协方差值 构成的矩阵（对称阵）。
实例
建立工程，导入sklearn相关工具包；
加载matplotlib用于数据的可视化；
加载PCA算法包 ;
加载鸢尾花数据集导入函数;
import matplotlib.pyplot