Machine learning 主成分分析与特征去除

我是机器学习的新手，刚刚被介绍到主成分分析作为一种降维方法。我不明白的是，在什么情况下PCA比简单地从模型中删除一些特征更好？如果目标是获得低维数据，为什么我们不将那些相关的特征分组，并从每组中保留一个特征？

特征缩减（如PCA）和特征选择（如您所描述的）之间存在根本区别。关键区别在于，特征约简（PCA）通过所有原始维度的投影将数据映射到较低维度，例如，PCA使用每个维度的线性组合。因此，最终的数据嵌入包含来自所有特征的信息。如果您执行功能选择您放弃信息，则您将完全丢失其中存在的任何内容。此外，PCA保证保留数据方差的给定部分。

这是一个好问题，但更适合于StackOverflow的stats/ML同级。据我所知，PCA消除了相关的维度，即线性相关维度。这就是说，投射所有这些维度似乎并没有保留更多的信息，而只是将它们丢弃。。。我遗漏了什么吗？这和PCA无关。主成分分析寻找保留大部分方差的线性投影。它不会“消除”任何尺寸。