sklearn.decomposition.PCA

class sklearn.decomposition.PCA(n_components=None, *, copy=True, whiten=False, svd_solver='auto', tol=0.0, iterated_power='auto', random_state=None)

官方：link

PCA是特征降维中一种 线性降维 的方法。
与特征选择不同（直接筛选出特征），PCA是通过线性变换，将数据投影到低维线性空间来实现降维的目的。
PCA的核心思想是：将数据投影到低维线性空间时，要保证投影后的样本方差最大化。根据这个原则，就可以建立优化目标，求出投影矩阵。事实上，最后求解出来，投影矩阵的列向量（也就是低维线性空间的基）就是原样本 协方差矩阵 的 最大的几个特征值 对应的 特征向量。