PCA 为什么归入无监督学习的范畴？

降维也是一种学习。举个例子，学生的成绩有语文，数学，长跑，跳高。本来衡量学生成绩有四个数据，如果用 pca 降到两维的话，就被压缩成了智力和体育两维。如此以后，对于新的学生，我们可以通过 pca 预测学生的智力与体育成绩，从而更直观地评价学生。

@daweii 对于新的学生，我们可以通过 pca 预测学生的智力与体育成绩，从而更直观地评价学生。---------通过你举得例子，我觉得 PCA 只完成了工作的前半部分“压缩”的任务。在“预测”部分我没有看出 PCA 出力。可否再启发一下我？

我知道你问的是什么了。我忘了看问题的后半部分了。

> PCA 呢，你给一个 mxn 图片降维后，得到一组新空间的基底。你再给一个 mxn 的新图片降维，又会生成一组新空间的基底。假设我们都保留 95%的方差，这两组基底的数量可能不同吧？两组基底的第一主成分向量方向也可能不同吧？第一主成分保留的方差百分比也不同吧？所以好像也没有什么比较固定的训练成果保留下来啊。

说实话没看懂你说的基底是什么。你所说的 [生成一组新空间的基底] 是什么意思？
打个比方有一组二维数据里面三个点（-2,-2 ），（ 0,0 ），（ 2,2 ）。
这个很明显的 X=Y, 画出来就是一条对角线。 我们可以用这一条对角线来描述这组数据。这个就是 PCA 学到的东西。
比如说新来了一个点（ 1,1 ），它离原点的距离是 1.414 ，所以我们把它映射到这条新的坐标轴后，可以用 1.414 代替这个数据。尽管训练数据里没有这点。

```python
import numpy as np
from sklearn.decomposition import PCA
X = np.array([[-2, -2], [0, 0], [2, 2]])
pca = PCA(n_compOnents=1)
pca.fit(X)
data = [[1,1]]
pca.transform(data).round(3)
# output array([[1.414]])
```

吴恩达机器学习课程有涉及 PCA ，楼主可以去看看 [[中英字幕]吴恩达机器学习系列课程-哔哩哔哩] https://b23.tv/MQJ3gHm ，课程位置位于 14-7