主成分分析——沿着数据变化最大的方向，用更少的轴来概括复杂变量的方法

主成分分析（Principal Component Analysis, PCA）是一种降维方法，它把由多个变量描述的数据转换成更少的新坐标轴，同时尽可能保留数据整体的变化结构。它的核心并不是把原始变量一个一个单独来看，而是找出整个数据集变化最明显的方向，并把这些方向当作新的参考轴。

03/16/2026

判定系数（R²）——衡量回归模型解释数据变异程度的指标

判定系数（Coefficient of Determination, R²）是衡量回归模型能够解释真实数据变异程度的经典评估指标。它把数据围绕均值的整体波动，与模型预测之后仍然没有被解释的残差波动进行比较。通常来说，R²越大，说明模型越能抓住数据中的结构性规律。

03/15/2026

降维——将大量变量压缩为核心轴，从而简化学习与可视化的方法

降维（Dimensionality Reduction）是一种把包含大量变量的高维数据转换为更少维度表示、同时尽可能保留关键信息与结构的方法。当维度过高时，计算成本会明显增加，噪声也会变多，数据之间的距离关系和模式结构都会更难理解。降维正是通过降低这种复杂性，让学习、可视化和分析变得更高效。

03/16/2026