您可能正在做一些事情，但值得一提。

您是否“白化”了您的数据——平均中心并按标准差标准化？此步骤可能取决于实现。 http://deeplearning.stanford.edu/wiki/index.php/PCA

您是否检查了所选参数的数量解释了多少可变性？对于图像 +80% 是常见的。

确保您了解您正在使用的 PCA 的实现。它总是让我对不同实现使用的术语感到困惑，例如分数、旋转等。我建议按照教程并将它们的输出与您的实现相匹配，以获得更深入的理解。 http://sebastianraschka.com/Articles/2015_pca_in_3_steps.html

您的模型现在建立在转换后的数据之上。要进行预测，请确保您在新输入数据上使用这些相同的转换。

首先，请阅读 PCA 算法到底是什么，什么时候可以使用，它解决什么目的。

只是把它扔到一个问题上，并期望它能够改善你的结果，大多数情况下都会奏效。

PCA 将数据集中的特征缩减为维度，供用户选择他/她想在模型中使用的维度数量作为特征。

因此，选择正确数量的要使用或从模型中消除的特征将决定您的准确性。