一、用自己的話描述出其本身的含義：
1、特徵選擇
從原來的多組特徵裡面進行篩選，選擇出一些特徵來降低特徵量。通過特徵選擇來過濾掉一些冗雜的特徵以達到降低資料集維度的目的。
2、pca（主成分分析）
是一種分析和簡化資料集的技術，主要目的是為了將資料維護壓縮，盡可能的降低原本資料的複雜。程度，不過會因此損失少量資訊。當使用資料進行回歸分析或者聚類分析的時候可以減少資料集的特徵數量。
二、並用自己的話闡述出兩者的主要區別
特徵選擇：減少特徵數量，不改變資料的本身。
pca：資料過大時使用，在資料簡化的同時，資料會被改變，特徵數量也將減少
主成分分析
主成分分析 pca 分析乙個隨機向量的中的主成分 主成分一般不是隨機向量中的某乙個分量，而是不同分量的線性組合，根據資訊理論的觀點，資訊的多少與方差有關，所以 主成分是方差最大的幾個成分 主成分分析的方法是求隨機向量的協方差矩陣 用樣本協方差矩陣代替 對於差異較大的資料，可採用相關矩陣代替協方差矩陣...
主成分分析
理論要點 1 主成分分析是一種無監督學習，因此不能用交叉驗證來檢驗誤差 2 在處理資料之前，要對資料做中心化處理 3 p太大的話，做特徵分解用svd 4 一共有min n 1,p 個主成分，因為中心化以後，rank要降一維 5 主成分的載荷向量就是協方差矩陣的特徵向量，對應特徵值最大的是第一主成分，...
主成分分析
1.概念 將一組可能存在相關性的隨機變數轉變成互不相關的隨機變數。這個概念裡有三個地方需要理解清楚。1 隨機變數的指代 在資料集中，每乙個樣本，即將資料集理解成乙個 的話，乙個樣本就是一行，則每一列就是乙個特徵，也就是乙個隨機變數，一列的所有取值就是隨機變數的所有可能取值 說的所有可能取值只針對訓練...