机器学习 之PCA(主成分分析)
PCA能做的事其实很有限，那就是：降维。为什要降维呢？很明显，数据中有些内容没有价值，这些内容的存在会影响算法的性能，和准确性。
看这两个图，就说明了降维的意义，越降维，维度就会越有意义。这样只取x2的值(投影)，就从二维降维到了一维。主成分分析可以让数据的投影到那些数据分布尽可能分散(信息最大)的平面上，比如上图的y1，从而忽视y2的作用，进而达到降维的目的。
说是降维，实际上就是坐标变换+去掉一些坐标，降维函数实际上一个 W W W就可以了。
我们说数据尽可能分散(信息最大化)，体现在矩阵上就是方差很大，矩阵方差。。。向量的方差倒还是非常好解决了。最后的方差反而跟之前的方差与w有关。
利用lagrange multiplier 方法求解问题，不是很明白了。
就这样，能够算出
w
w
w，PCA也就完毕了。