我们通过PCA把二维数据降到一维。
那么怎么把一维数据变回二维
通过X=UZ
我们得到的点都在z轴上
这个X十分解决x了
如何去选择k值
PCA的成本函数：
总变差（这些x长度的平方均值）:
意味这我的平均向量离0向量有多远
我们选择k使下面的公式成立：
使得99%差异性得到保留
除了0.01，人们也用0.1，0.05
总过程：
优化辨别式：
一些PCA的建议：
不好的使用：来避免过拟合
错误观点：有人认为把特征变量的维数降下来会使数据更容易
拟合，但这是错误的。
过拟合还是需要正则项来解决：
一开始不要一下就把PCA算法加入你的学习算法，
要先用原始数据进行测试。如果占用内存，运算时间，
等不理想，才来用PCA压缩数据。
