前些日子研究機器學習演算法pca（主成分分析），其本質就是對高維空間中的資料進行降維，捨棄重要性很小的資料，只保留主要的資料成分，從而大大減少需要處理的資料量，提高後續資料分析處理的速度。
然後突然想到了量子物理中的超弦理論/m理論，m理論認為宇宙是11維的，只不過大部分維度都是極度蜷曲的，在我們人類的眼裡就只看到4維宇宙（3維空間+1維時間）。
而我們的大腦就是一部資料處理機，而整個宇宙的一切都可以用資料來表示，如果所有的資料都保持高維（11維）進行儲存和處理，那麼顯然資料量將比低維（4維）大了10^7次方這樣乙個量級。我們將轉瞬間變為乙個白痴，跟單細胞變形蟲差不多，別說認識宇宙了，連自身是否存在恐怕都意識不到。
於是，合理的解釋就是我們的大腦自動進行了pca降維處理，將7維次要成分(包含的資訊量較少)捨棄，只保留了4維主要成分。如此的話，宇宙是什麼樣的，某種程度上確實取決於我們的意識。
假如系外存在另乙個高等級生命，他們比我們早進化了1000萬年，大腦的容量比我們大1萬倍，那麼很可能他們就不需要捨棄7維，可能只捨棄了5維，從而他們眼中的世界是乙個6維的世界。如此的話，我們「看到」的粒子，在他們眼裡可能天生就是2維的弦，通過其振動表現出了電子、光子、夸克等不同粒子的特性 ，而不象我們需要通過理論推導去證明弦理論。
pca主成分分析 PCA主成分分析（中）
矩陣 matrix，很容易讓人們想到那部著名的科幻電影 駭客帝國 事實上，我們又何嘗不是真的生活在matrix中。機器學習處理的大多數資料，都是以 矩陣 形式儲存的。矩陣是向量的組合，而乙個向量代表一組資料，資料又是多維度的。比如每個人的都具有身高 體重 長相 性情等多個維度的資訊資料，而這些多維度...
主成分分析PCA
主要參考這篇文章 個人總結 pca是一種對取樣資料提取主要成分，從而達到降維的目的。相比於上篇文章介紹到的svd降維不同，svd降維是指減少資料的儲存空間，資料的實際資訊沒有缺少。個人感覺pca更類似與svd的去噪的過程。pca求解過程中，涉及到了svd的使用。針對資料集d 假設di 的維度為 w ...
PCA 主成分分析
在進行影象的特徵提取的過程中，提取的特徵維數太多經常會導致特徵匹配時過於複雜，消耗系統資源，不得不採用特徵降維的方法。所謂特徵降維，即採用乙個低緯度的特徵來表示高緯度。將高緯度的特徵經過某個函式對映至低緯度作為新的特徵。pca和lda區別 pca是從特徵的角度協方差角度 求出協方差矩陣的特徵值和特徵...