众所周知PCA是有效的降维方法，当你的特征非常多维度非常大的时候，为了使机器学习的算法在计算或是训练的时候有更高的效率，通常会进行降维处理。
将一个具有m个数据n维的数据降为k维的数据，方法如下：
算出一个sigma矩阵，x（i）为n*1的矩阵，因此x(i)转置为1*n，因此sigma的形状为n*n。
svd为奇异值分解函数，得到一个U矩阵，也为n*n矩阵。
取U矩阵的前k列，与x相乘，得到降维后的数据。
那么如何选择k值呢？看下图：
要使差异性小于等于0.01，当然有时候也使用0.05或是0.1等等。
比较蠢的方法自然是把k从1一直往上加，一直来计算相似度。但是有更好的办法，之前算奇异值的时候得到了一个S矩阵，计算方式如下图：
得到：
