为什么要做降维： 提高计算效率 留存有用的特征，为后续建模使用 在项目中实际拿到的数据，可能会有几百个维度（特征）的数据集，这样的数据集在建模使用时，非常消耗计算资源，所以需要通过使用降维方法来优化数据集 线性判别分析（Linear Discriminant Analysis） 用途：数据预处理中的降维，分类任务（有监督问题） 目标：LDA关心的是能够最大化类间区分度的坐标轴成分 将特征空间（数据集中的多维样本）投影到一个维度更小的 k 维子空间中，同时保持区分类别的信息 原理：投影到维度更低的空间中，使得投影后的点，会形成按类别区分，一簇一簇的情况，相同类别的点，将会在投影后的空间中更接近

一、实验目的 1、理解PCA（Principal Component Analysis）算法 2、在理解的基础上实现基于PCA算法的人脸识别技术 3、掌握Python的第三方库tkinter并使用它实现Python的GUI编程 二、实验要求 1、基于PCA算法实现人脸识别 2、在完成核心代码之后，给出UI界面，便于交互 3、实现打开文件管理系统，可以自主选择数据集以及测试图片 4、代码工整、逻辑清晰

pca算法，也叫主成分分析法，能够对一个多样本的多维特征向量构成的矩阵进行分析，分析主成分并去除维度之间的相关性，使线性相关的向量组变成线性无关的向量组。 并且可以对样本进行降维，降高维向量映射到低维度空间，同时确保纬度之间的信息损失尽可能小。

一篇关于PCA即主分量分析的PPT，内容讲解较详细，深入浅出，适合初学者使用

关于主成分分析PCA算法解释较为清晰明了的PPT与代码，非常适合小白入门，以及作为面试的准备，有助于快速提升机器学习基础算法

基于PCA算法的人脸识别代码，主要实现特征脸的提取和人脸的识别

基于PCA算法的Matlab人脸识别程序，有中文详细注释

使用PCA（主成分分析）算法提取一维数字信号（数组）的特征，可用于信号的分类识别。

基于PCA算法的人脸识别，包含实验用的训练人脸图像，测试图像。和matlab代码以及代码说明。

PCA算法的实现，希望能帮助到大家。。。。。。。。。。。。。。。。。。。。。。。。。。。。