維度有一維，二維直到多維，人類能夠觸及到的最大維度只有三維。不同情形下，維度代表的意義也不相同。
型別含義
陣列（series）
維度就是功能shape返回的結果，shape中返回了幾個數字就是幾維
圖形（graphic）
維度是影象中特徵向量的數量
對於陣列來說，維度就是功能shape返回的結果，shape中返回了幾個數字，就是幾維。
除了索引以外的資料，維數分為：
維數說明
一維無行列之分的叫一維（此時shape返回唯一的維度上的資料個數）
二維（表）
有行列之分叫二維（shape返回的是 行x列）
三維當乙個陣列中存在2張3行4列的表時，shape返回的是(更高維，行，列)
四維當陣列中存在2組2張3行4列的表時，資料就是4維，shape返回(2,2,3,4）
…直到多維…
陣列中的每一張表，都可以是乙個特徵矩陣或乙個dataframe，這些結構永遠只有一張表，所以一定有行列，行是樣本，列是特徵。針對每一張表，維度指的是樣本的數量或特徵的數量，一般無特別說明，指的都是特徵的數量。除了索引之外，乙個特徵是一維，n個特徵是n維。當有三個特徵時（三維）**樣式如下：（二維則增加特徵2以此類推）
可以理解為是座標軸，乙個特徵向量定義一條直線，是一維，兩個相互垂直的特徵向量定義乙個平面，即乙個直角座標系，就是二維，三個相互垂直的特徵向量定義乙個空間，即乙個立體直角座標系，就是三維。
在降維演算法中的」降維「，指的是降低特徵矩陣中特徵的數量。而降維的目的是：
1.為了讓演算法運算更快，效果更好；
2.資料視覺化；
從上面的圖我們其實可以看得出，影象和特徵矩陣的維度是可以相互對應的，即乙個特徵對應乙個特徵向量，對應一條座標軸。所以，三維及以下的特徵矩陣，是視覺化的，這可以幫助我們很快地理解資料的分布，而三維以上特徵矩陣的則不能被視覺化，資料的性質也就比較難理解，這就需要我們通過降維使資料視覺化。
end
PCA降維演算法
文章由兩部分構成，第一部分主要講解pca演算法的步驟，第二部分講解pca演算法的原理。那麼首先進入第一部分 pca演算法的步驟 樣本矩陣x的構成 假設待觀察變數有m個，其實相當於乙個資料在m維各維度上的座標，我們的目標是在保證比較資料之間相似性不失真的前提下，將描述資料的維度盡量減小至l維 l樣本矩...
降維演算法總結
1.降維簡介 1 相關背景 1 在許多領域的研究與應用中，通常需要對含有多個變數的資料進行觀測，收集大量資料後進行分析尋找規律。2 因此需要找到一種合理的方法，在減少需要分析的指標同時，儘量減少原指標包含資訊的損失，以達到對所收集資料進行全面分析的目的。3 由於各變數之間存在一定的相關關係，因此可以...
pca降維演算法
pca主成分分析演算法，是一種線性降維，將高維座標系對映到低維座標系中。如何選擇低維座標系呢？通過協方差矩陣的特徵值和特徵向量，特徵向量代表座標系，特徵值代表對映到新座標的長度。演算法步驟 輸入 樣本集d 低維空間維數k 第一步 將樣本集中心化。每一列的特徵值減去當前列的均值 第二步 求協方差矩陣的...