一、概念
在人工智能中，特征（feature）是指从原始数据中提取出的、能够代表数据关键信息并用于模型训练的属性或变量。特征通常是对原始数据的抽象或转换，目的是捕捉数据中的模式、结构或相关性，从而帮助机器学习模型更有效地学习和预测。简单来说，特征是原始数据经过提炼后的结果，能够突出对任务有用的信息，同时去除冗余或无关的部分。
特征与原始数据的区别：
- 原始数据：是指直接从数据源获取的未经处理的数据，例如图像的像素值、音频的波形、文本的原始字符等。原始数据往往包含大量冗余或噪声，直接使用可能导致模型训练效率低下或性能不佳。
- 特征：是从原始数据中经过处理、提取或转换后得到的更具代表性的数据。特征通常是原始数据的子集或高级表示，能够更直接地反映数据的关键属性，帮助模型更好地理解和学习。
特征是对原始数据的“精炼”，旨在减少数据维度、去除噪声并增强模型的泛化能力，而原始数据则是未经加工的“原材料”。
二、主成分分析PCA
主成分分析（PCA-Principal Component Analysis）是数据科学的基石工具。主成分分析（PCA）是一种典型的特征提取方法。它的核心目标是通过线性变换将高维数据转换为低维表示，同时保留数据中的主要变化方向（即方差最大的方向）。其本质是寻找数据中的“隐藏坐标系”，通过正交变换将原始变量转换为互不相关的主成分。
关键思想：
- 方差最大化：主成分方向是数据投影方差最大的方向
- 正交性：各主成分之间互不相关（协方差为0）
- 信息保留：前k个主成分需保留原始数据85%-95%的信息量
举个例子：分析学生成绩（语数外物化）时，PCA可能提取出“理科能力”和“文科能力”两个主成分，用二维数据代替五维数据，同时保留核心信息。
三、开发框架
PCA开发样例：
from sklearn.decomposition import PCA
import matplotlib.pyplot as plt
from sklearn.datasets import load_iris
# 加载数据
iris = load_iris()
X, y = iris.data, iris.target
# PCA降维
pca = PCA(n_components=2)
X_pca = pca.fit_transform(X)
# 可视化
plt.scatter(X_pca[:,0], X_pca[:,1], c=y, edgecolor='k')
plt.xlabel(f'PC1 ({pca.explained_variance_ratio_[0]:.1%})')
plt.ylabel(f'PC2 ({pca.explained_variance_ratio_[1]:.1%})')
plt.title('鸢尾花数据集PCA降维')
plt.show()
结果解读：PC1和PC2累计贡献率达95.8%，二维空间即可清晰区分三类鸢尾花。