有了第九课SVD分解的基础，PCA降维的原理理解起来就比较容易了。
1、PCA降维原理
先回到SVD分解，对矩阵A进行SVD分解，得到下式：
A = U * S * V
其中V是正交矩阵，即V*VT=E，对上式进行一下转化：
A * VT = U * S * V * VT
A * VT = U * S (式1)
式1就是PCA降维的原理式，输入A矩阵，右乘以VT矩阵，就可以对原矩阵A进行降维了。
PCA在降维前，先要进行训练，训练的目的就是为了得到VT矩阵。这里的VT矩阵，是经过筛选前k行的V矩阵转置而得。
2、SkLearn中的PCA
SkLearn中封装有PCA的实现类，具体使用见如下代码：
上述代码指定返回10个主成分，主成分百分比的意思是每个成分占据总信息量的百分比。下面代码使用pca.inverse_transform将降维后的主成分数据，尝试还原为原图，还原效果和上篇文章用svd手动还原前k=10个奇异值对应的原图像数据相同。
