简而言之：您可以了解到，您的数据可变性分布在多个正交维度上，而 PCA 无法进一步减少它。

更长：在极端情况下，假设您有四个特征/维度，它们的可变性分布在所有维度上。很难想象一个四维对象，但认为你有一个完美的立方体（三维），每个边都有各种多种颜色（第四维）。这是一篇关于理解几何四维对象的专门帖子

由于所有这些维度都是正交的（在这个例子中，颜色不是，只是想象它符合 PCA 的统计假设），PCA 不能做太多。（实际上立方体的 PCA 就是一个立方体，仅此而已）。

您可以做什么：探索一些非线性降维 - PCA 的原理组件是正交的 - 也许如果您选择非线性方法，您会发现可以携带可变性的维度子集 - 但您不会得到任何小于四 - 但更多的个人电脑。我仍然怀疑你可以减少它。

PCA 提供了每个特征对应的特征值。该值用于决定降维后要保留的特征数量。

特征/pc 根据其特征值按降序排序，并且在降N维后保留顶部特征。

上图显示了pc在对数据集执行 PCA 之后，每个主成分的特征值的条形图。