数据特征处理pca降维-小结

【数据特征处理pca降维-小结】1.降维的主要目的是为了减少训练样本的时间，只保留重要的特征，去掉一些无关紧要的特征，至于是去掉哪些特征，保留哪些特征，
这个就是pca要做的事情了，类似以下的例子：
日期湿度温度是否购买衣服
2022 9 20 是
2022 19 26 是
2022 15 26 否
是否购买衣服与否和日期关系不大，和温度和湿度的关系比较大，这个结论从数学意义上说就是去掉方差小的特征，保留
方差比较大的特征，这就是PCA的目的 --顺便说一句，其实PCA降维后，最终的特征那里并不能和原来的特征一一对应，
这个结果是不可解释的
2.怎么大概确定降级到的维度K？
对于spark实现来说，使用了PCA进行数据转换后，有一个model.explainedvariance可以输出从第一成分到第K个成分的方差比例，
可以从这个方差比例中看出来，从比如哪个M成分开始，方差的比例已经很小了，那么就可以取M作为降级到的最终维度.