step1 : 將X記做包含了所有m個自變量的矩陣，對X進行特徵縮放 step2 : 計算X的方差矩陣， 並將這個方差矩陣記做A; step3 : 計算矩陣A的特徵值(eigenvalue)和特徵向量(eigenvectors); step4 : 選擇需解釋方差的百分比P， 並選取前p個特徵值使得:      stpe5 : 對應前p個特徵值對應的特徵向量就是最終選取的主要成分。            運用投射矩陣(這個矩陣由選取的p個特徵向量組成)，最初的m維特徵空間被投射到p維空上。 直接看code! Kernel PCA: 線性不可分--> 透過kernel PCA將資料投射到高維空間。 資料在高維的空間中就變成線性可分， 接著再進行一般的主成分分析PCA，以達到降維效果。