PCA的核心思想：
削弱参数or特征向量之间的相关性，即消除信息冗余，找出一组完备基向量。
信息冗余的体现：
以二维坐标为例，y=x直线周围分布着许多点，我们只要知道了x，就能知道y，假设我们想知道的知识(x,y)的分布规律（在这里是呈线性的），而不是分布坐标，因此有一个维度是冗余的。
如何消除冗余？
y=x经过顺时针旋转45°，仍然是线性分布的，这时我们只需要一个横坐标即可，实现了降维。
也就是说，通过某种变换，如旋转变换，来实现降维or消除冗余or削弱相关性。
参考该链接：https://blog.csdn.net/baimafujinji/article/details/79376378
如上图所说，为什么越“分散”越有解释性？即为什么说直接求方差最大化即可？
直观上，PCA是对原数据进行投影变换，希望投影的点尽量分散。
从数学公式推导来解释：
【西瓜书230页推导】
考虑整个训练集，原样本点xi与基于投影重构的样本点xi'的距离最小化，可以得到协方差矩阵的项的相反数。