PCA 不假设您的数据可以写为线性组合。它只是为您的数据找到一个正交基，以减少变化为导向。由于正交性，您还具有关联的线性组合。

如果您的数据具有低维度，则您需要更少的维度来描述它，或者至少对其进行近似。我想这就是你所说的“它有效”的意思。

与原始数据相比，来自音频和视频的数据通常具有较低的维度。这就是为什么经常工作的原因。

PCA 将为您的数据找到新的正交基和新特征，沿新特征/轴最大化方差。

此外，通过选择有限数量的最有用/最有意义的全新功能/轴，您将能够进行降维。

请注意，两个线性相关的特征（x1 和 x2）可能会被新基中的一个独特的新特征（xn）替换。因此，新特征 (xn) 可能与其他新特征没有/不太相关。

如果您在应用 PCA 并仅保留最相关的特征（尝试大约 50 或调整数量）之后训练/测试您的模型，您应该会提高效率，因为它会更快地训练并且也能更好地泛化。

所以在大多数情况下它应该“工作”。