机器学习中数据集的冗余特征会影响学习器的泛化能力，一些流行方法如支持向量机和集成学习也难免于 此．研究了利用主成份分析进行特征变换对Bagging集成学习算法的影响，提出一种称为PCA—Bagging的算法，并与 其它算法比如单个支持向量机、支持向量机Bagging集成、带有特征变换的单个支持向量机等进行了性能比较．在 多个UCI标准数据集上的实验表明PCA—Bagging算法具有更好的性能，这说明即使是泛化能力很强的集成学习方 法其学习的数据也需要进行适当的特征变换

对UCI数据集之一进行PCA特征抽取实验,给出在二维PCA特征空间的数据散点图。,UCI data sets on one of PCA feature extraction experiments are given in the two-dimensional PCA feature space of the data scatter.

pca-kmeans聚类 先将数据(wine,uci数据集)降维处理，在进行聚类-pca-kmeans clustering use the data of uci:wine.

对UCI数据集做PCA图像特征提实验，PCA是一种很重要的方法-PCA on the UCI data sets to do the image feature extraction experiment, PCA is a very important method

PCA算法实现对数据降维，train_sample为训练样本，train_class为训练样本的分类结果，test_sample为测试样本，test_class为测试样本的分类结果，可以从UCI下载数据集进行调用~-PCA algorithm for data dimensionality reduction, train_sample of training samples, train_class for the classification of training samples, tes