我试图直观地理解 PCA。就是这样：找到数据集协方差矩阵的特征向量和特征值后，特征值将代表数据集的分布程度，特征向量将代表特征值的方向。我们要做的是将特征向量从最高特征值排序到最低（最高意味着特征更加分散，因此彼此更加独立且冗余更少）并将原始数据集投影到新的“轴”集上（特征向量）。例如，如果我们有一个 3-D 数据集，那么将有三个相互正交的特征向量（因此它们将形成一个 3-D 空间）。接下来，我们将原始数据集投影到这组新的“轴”空间上，如果我们想减少到二维，我们将取出最不重要的“轴”（最小特征值）

我熟悉执行 PCA 的技术步骤，但我很难理解算法背后的实际直觉。我在上面的解释中是否有任何错误或缺陷，尤其是使用“轴”这个词来解释降维的部分？提前非常感谢！