一、用自己的话描述出其本身的含义：
1、特征选择
2、PCA
二、并用自己的话阐述出两者的主要区别
答：
一、用自己的话描述出其本身的含义：
1、特征选择：
因为在有限的样本数目下，用大量的特征来设计分类器计算开销太大而且分类性能差，所以就产生了特征选择。
特征选择是指：从全部特征中选出对结果集有影响的特征值，比如，预测是否下雨，与云量多少，空气中二氧化碳的含量有关的特征等等，这些有关的特征就选取，像地上是否长草，这种无关因素就将其去除。通过特征选择，降低无关特征对模型的影响，提高了模型的准确性。
2、PCA：
PCA降维也称为主成分分析，经常用于减少数据集的维数，同时保持数据集中的对方差贡献最大的特征，简单来说就是去除或者减少这份数据样本的某些属性，降低冗余，但是同时也从这些现有的特征中重建新的特征，新的特征剔除了原有特征的冗余信息，因此使不同的样本数据更有区分度。通过PCA降维，减少了某些属性对模型的影响，提高了模型的准确性。
二、并用自己的话阐述出两者的主要区别
特征选择：从全部特征中选出对结果集有影响的特征值作为实际使用的数据集，用于训练模型。没有改变特征的形式。比如，原来的9维，后面处理完还是9维。
PCA：降维本质上是从一个维度空间映射到另一个维度空间，特征的多少别没有减少，当然在映射的过程中特征值也会相应的变化，同时保持数据集中使方差贡献最大的特征。改变了原来特征的形式。比如，原来的9维，后面处理完还是可能是3维，4维等等。