PCA详解

详见http://blog.csdn.net/zhongkelee/article/details/44064401

第一步 归一化

第二步 求协方差矩阵

第三步 求协方差矩阵的特征值 特征向量

 第四步，将特征值按照从大到小的顺序排序，选择其中最大的k个，然后将其对应的k个特征向量分别作为列向量组成特征向量矩阵。

第五步，将样本点投影到选取的特征向量上。假设样例数为m，特征数为n，减去均值后的样本矩阵为DataAdjust(m*n)，协方差矩阵是n*n，选取的k个特征向量组成的矩阵为EigenVectors(n*k)。那么投影后的数据FinalData为

FinalData(10*1) = DataAdjust(10*2矩阵) x 特征向量(-0.677873399, -0.735178656)T

这样就从N维降到了K维，协方差的特征向量就是最理想的k维向量