Machine learning PCA的输出是什么？它是如何有用的？

PCA是一种降维算法，有助于降低数据的维数。 我不明白的是，PCA以降序给出特征向量的输出，如PC1、PC2、PC3等等。因此，这将成为我们数据的新轴心

我们在哪里可以应用这个新轴来预测测试集数据

我们实现了从n到一些n-k的降维

如何从数据中获取最有用的变量，并从数据中删除不重要的列？ PCA是否有替代方法？

---

PCA的思想是将维数减少到由方差最大的n-k特征向量创建的子空间，从而在映射到新子空间的数据中产生最大方差

此外，在不知道训练数据的类别的情况下，可以使用PCA降低维度，这意味着它是无监督的

如果您知道培训数据的类别，另一种选择是使用LDA，它试图找到最大化类别间差异的特征空间

---

希望这有帮助

这不是问题@Mathias。我真正的怀疑是，假设取10个特征的数据，我们将其缩减为3维。因此，新的维度与我们的实际数据完全不同。从PCA中我们可以知道哪些特征是最重要的？PCA不考虑哪些特征对于分类是好的，因为它是一种无监督的方法，维度缩减仅基于特征空间中的最大方差。因此，您将只知道哪些特性具有最大的差异。你不知道哪些特征适合分类，但你知道哪些特征方差最大。我们可以使用标准差从基本公式中找出方差最大的特征。我想知道PCA的确切目的是什么？是要在二维平面上可视化100维绘图吗？PCA没有找到原始数据空间中方差最大的特征，它找到了在数据中产生最大方差的所有特征的组合。是的，连接数据可能是一个目的，或者只是为了减少必须处理的数据量。