问PCA是否被认为是一种机器学习算法？

EN

有人把它贴上无人监督的标签并不少见。你可以对特征向量做一些分析，这有助于解释数据的行为。当然，如果您的转换仍然有很多特性，那么这个过程可能会相当困难。然而，这是可能的，因此我认为这是机器学习。

编辑：

由于我的答案被选中(不知道为什么)，我想我会增加更多的绕行。

PCA做两件事是等价的。首先，我们通常提到的是，它最大限度地利用了差异。其次，通过观察成对距离，将重构误差降到最小.

通过查看特征向量和特征值，可以很容易地推断出哪些变量和特征对方差有贡献，以及不同变量如何与其他变量一起移动。

最后，这真的取决于你如何定义“学习”。PCA学习一个新的特征空间来捕捉原始空间的特征。我倾向于认为这是有意义的。

很复杂吗？不，不完全是，但这会削弱它作为一种算法吗？不，我不这么认为。

当然，这不是一种学习算法，因为你在PCA中什么也学不到。然而，它可以用在不同的学习算法中以达到更好的性能，在实际中，与其他的降维方法相似。

主成分分析( PCA )被用来消除冗余特征。它找到数据高度分布的方向。它不关心数据的标签，因为它是一个表示最小二乘意义上的数据的投影。多元判别分析，MDA试图找出最佳分离数据的投影。后者考虑标签并找到数据可以最好分离的方向，尽管它有一些关于发现的决策类型的细节。总之，PCA不是一种学习算法。它只是试图找出数据高度分布的方向，以消除相关特征。类似的方法，如MDA，试图找到方向，以便对数据进行分类。虽然MDA非常类似于PCA，但前者用于分类，它考虑标签，但后者不直接用于分类。