白化的目的：降低输入的冗余性；
或者说
我们希望通过白化过程使得学习算法的输入具有如下性质：
(i)特征之间相关性较低；
(ii)所有特征具有相同的方差。
PCA白化
对于矩阵 X，是 m x n 的矩阵，m个样本数量，n 是维度
协方差矩阵 covX 是 n x n的矩阵
协方差矩阵的特征向量以此是：u1 u2 u3 un
写成矩阵的形式：
实际中我们只需要选取前k个特征向量对数据进行降维
降维后的矩阵可以表示为：redX = X(m x n) * U(n x k)
所谓的PCA白化就是对降维后的数据redX 的每一列除以其特征值的根号，如下表述
ZCA白化
首先应该知道，如果R是任意正交矩阵，那么仍然具有单位协方差。在ZCA白化中，令R=U（由上文知，U本身就是正交矩阵），其定义为：
=
也就是在原来PCA结果上（不降维）左乘（或者右乘，由于X的矩阵表示形式可能不一样，有的数上x的行数是维度数，有的说的列是维度说，上图中的行是维度说，上面说的PCA的时候我自己写的列是维度数）一个特征向量矩阵。
可以证明，对所有可能的R，这种旋转使得
尽可能地接近原始数据x。
当使用ZCA白化时，我们通常保留数据的全部n个维度，不尝试去降低它的维数。
正则化
