我正在尝试使用PCA来降低特征维度。我已经能够将PCA应用到我的训练数据上，但我不明白为什么降维后的特征集（X_train_pca）与原始特征（X_train）没有任何相似之处。

print(X_train.shape) # (26215, 727)pca = PCA(0.5)pca.fit(X_train)X_train_pca = pca.transform(X_train)print(X_train_pca.shape) # (26215, 100)most_important_features_indicies = [np.abs(pca.components_[i]).argmax() for i in range(pca.n_components_)]most_important_feature_index = most_important_features_indicies[0]

X_train_pca中的第一个特征向量不应该只是X_train中第一个特征向量的子集吗？例如，为什么下面的表达式不等于True？

print(X_train[0][most_important_feature_index] == X_train_pca[0][0]) # False

此外，X_train的第一个特征向量中的任何特征都不在X_train_pca的第一个特征向量中：

for i in X_train[0]:    print(i in X_train_pca[0])# False# False# False# ...

回答：

PCA将你的高维特征向量转换为低维特征向量。它不只是简单地确定原始空间中最不重要的索引并删除那个维度。