pca主成分分析：
可以把高纬度数据在损失最小的情况下转化为低维度数据。显然，PCA可以对数据进行压缩，可以在可控的失真范围内提高运算速度。
PCA主要参数:
n_components：这个参数可以帮我们指定希望PCA降维后的特征维度数目
whiten ：判断是否进行白化，就是对降维后的数据的每个特征进行归一化
svd_solver：即指定奇异值分解SVD的方法
常用方法：
输出方差比：每个主成分占数据的百分比
随着你添加越来越多的主成分作为训练分类器的特征，你认为它的性能会更高还是更低？
更好。因为更多的特征可以使我们对数据更加了解，从而提高分类器的性能。
PCA注意：
- 压缩数据，主成份一般在90%，95%和99%几档，根据实际需要选取
- 加速模型建模，缩短时间（PCA处理后，建模，需要保留转换向量P，并用P处理预测数据）
- 可视化，如果前两个或三个数据可以表示90%以上的成分，那么可以进行可视化
- PCA处理数据之前需要确保每个列的均值为0（mean normalization），同时需要确保量纲相同(scaling)，否则数值较大的几个变量会占据主要成分。
- 不要将PCA作为解决过拟合的方法，虽然使用PCA后，确实可以减少过拟合，但是原因可能是feature减少了。采用regulations缓解过拟合。
- 设计ML系统时，不要一开始就期望使用PCA，提高模型性能。只有当所有非PCA方法无法达到效果时，在使用PCA。PCA处理数据时没有考虑到y，会损失部分有价值信息
- pca的主成分分析出来后，应用于训练集和测试集。而不是多次进行主成分分析。