运用PCA对高维数据进行降维，有一下几个特点：
（1）数据从高维空间降到低维，因为求方差的缘故，相似的特征会被合并掉，因此数据会缩减，特征的个数会减小，这有利于防止过拟合现象的出现。但PCA并不是一种好的防止过拟合的方法，在防止过拟合的时候，最好是对数据进行正则化；
（2）使用降维的方法，使算法的运行速度加快；
（3）减少用来存储数据的内存空间；
（4）从x(i)到z(i)的映射过程中，对训练数据进行降维，然后对测试数据或验证数据进行降维；
运用PCA对高维数据进行降维，有一下几个特点：
（1）数据从高维空间降到低维，因为求方差的缘故，相似的特征会被合并掉，因此数据会缩减，特征的个数会减小，这有利于防止过拟合现象的出现。但PCA并不是一种好的防止过拟合的方法，在防止过拟合的时候，最好是对数据进行正则化；
（2）使用降维的方法，使算法的运行速度加快；
（3）减少用来存储数据的内存空间；
（4）从x(i)到z(i)的映射过程中，对训练数据进行降维，然后对测试数据或验证数据进行降维；