到现在，数据 降维有很多方法。数据 降维是什么意思？按照降维，也叫降维，注:降维和主成分分析1) 数据压缩减少数据从多维数据到低维数据，从而减少，从不同的角度有不同的分类，主要的分类方法根据数据的特点可分为线性降维和非线性降维两种。根据是否考虑或使用数据的监测信息，可分为无监督降维、有监督降维和半监督降维，根据holding 数据的结构可分为全局持有。
3.2.2.1技术原理主成分分析(PCA)是一种常用的-1降维方法，应用于多元大样本的统计分析。大量的统计数据可以提供丰富的信息，有利于规律性。工作量增加，影响分析结果的准确性。因此，利用主成分分析的降维方法，对收集到的数据进行综合分析，减少分析指标，最大限度地减少原指标所包含信息的损失，将多个变量(指标)变成少数几个能反映原多个变量大部分信息的综合指标。
1) 数据压缩将数据从多维数据降低到低维数据，从而降低了数据的规模，而在机器学习中，降维也可以加快算法计算的速度。2)可视化降维可以减少数据的特征数量，从而可以分析数据的基本结构，便于可视化数据。但是降维之后的新特性的含义需要我们自己根据情况来分析。PCA是一种常见的降维方法。它通过正交变换将原数据中的线性相关特征转化为几个线性无关的特征，这些线性无关的特征所代表的变量称为主分量。
在机器学习中，数据通常需要表示为向量，用输入模型进行训练。但是，众所周知，在处理和分析高维向量时，会极大地消耗系统资源，甚至产生维度灾难(此处记录了相关注释)。因此，用一个低维向量来表示原来的高维特征就显得尤为重要。在机器学习领域，我们从原始的数据中提取特征，有时会得到更高维的特征向量。在这些向量所在的高维空间中，有很多冗余和噪声。
主成分分析作为降维中最经典的方法，属于一种线性的、无监督的、全局的降维算法。1.所谓主成分，就是对原有特征进行线性组合得到的新特征，尽可能保留原有特征的方差。2.设置一组参数，记住原特征是，新特征是。根据定义，我们要使方差尽可能大，也就是这是我们的目标函数。3.具体求解过程取决于特征值分解。(a)是二维空间中数据的集中群。我们很容易看出主成分所在轴(以下简称主轴)的大致方向，也就是(b)中黄线所在的轴。
