PCA（Principal Component Analysis），即主成分分析，是最常用的一种降维方法，通常用于高维数据集的探索与可视化，还可以用作数据压缩和预处理等。
PCA可以把具有相关性的高维变量合成为线性无关的低维变量，称为主成分。主成分能够尽可能保留原始数据的信息。
方差：是各个样本和样本均值的差的平方和的均值，用来度量一组数据的分散程度。
协方差：用于度量两个变量之间的线性相关性程度，若两个变量的协方差为0，则可认为二者线性无关。
协方差矩阵: 协方差矩阵则是由变量的协方差值构成的矩阵（对称阵）
特征向量和特征值: 矩阵的特征向量是描述数据集结构的非零向量，并满足如下公式：Av=λv，，A是方阵， v是特征向量，lamda是特征值。
算法原理：矩阵的主成分就是其协方差矩阵对应的特征向量，按照对应的特征值大小进行排序，最大的特征值就是第一主成分，其次是第二主成分，以此类推。
使用sklearn.decomposition.PCA加载PCA进行降维，主要参数有：
n_components：指定主成分的个数，即降维后数据的维度
svd_solver ：设置特征值分解的方法，默认为‘auto’,其他可选有‘full’, ‘arpack’, ‘randomized’
应用：对鸢尾花数据进行pca降维，代码地址：https://github.com/hanleirx/sklearn/tree/master/pca
