阶段1：认识二维数据 — "成绩散点图"

💡 核心思想：要看清两门课之间的关系，最好的办法是画一张散点图！每个点代表一个学生，横轴和纵轴分别是两门课的成绩。
🖱️ 操作：鼠标悬停在点上可以看具体分数；点击"换科目对"观察不同科目组合的分布模式。
🖱️ 动手试试：把鼠标移到彩色圆点上，能看到这位同学的两科分数哦！点击"换科目对"，看看不同科目之间分布有什么不同。
当前科目对：数学 vs 物理　|　数据点：20 个　|　鼠标悬停查看分数

🤔 动动脑筋

1. 如果两个科目成绩正相关（一科好另一科也好），散点图大概是什么形状？

2. 为什么要看散点图，而不是只看每门课的平均分？

📝 本阶段要点

  • 散点图是观察两个变量关系的有力工具，每个点代表一个样本
  • 正相关时点呈"左下到右上"趋势；负相关时呈"左上到右下"趋势
  • 只看平均分会丢失变量之间的关系信息，散点图能保留更多细节
  • PCA 要找的"主方向"，就藏在散点图里数据最分散的那条斜带中

阶段2：找主方向 — "数据的长轴"

💡 核心思想：主成分就是数据方差最大的方向——也就是数据"最分散"的那条线！方向越分散，包含的信息越多。
🖱️ 操作：拖动"旋转角度"滑块转动那条线，观察投影方差的变化；转到主成分方向时，线会变粗变绿！点击"自动找主成分"看 PCA 怎么找到它。
0°
📐 观察提示：右边的柱状图显示当前方向的"投影方差"。慢慢转动滑块，找到让柱状图最高的角度——那就是主成分方向！
当前角度：0°　|　投影方差：0　|　最大方差：0　|　继续转动寻找主方向…

🤔 动动脑筋

1. 主成分方向上的数据投影方差为什么最大？

2. 第一主成分和第二主成分之间有什么关系？

📝 本阶段要点

  • 主成分 = 数据投影方差最大的方向，代表信息最丰富的"长轴"
  • 第一主成分方差最大，第二主成分与它垂直且方差次大
  • 各主成分之间互相正交（垂直），互不相关
  • 找主成分就是解协方差矩阵的特征向量，特征值大小代表方差大小

阶段3：降维投影 — "压缩到一条线"

💡 核心思想：把二维数据投影到主成分线上，就完成了降维！只保留第一主成分，2D 就变成了 1D。但降维会有信息损失。
🖱️ 操作：拖动"保留维度"滑块在 1D 和 2D 间切换；点击"动画投影"看点从二维位置滑到一维位置。
1D
🎯 关键观察：保留 1D 时，信息保留率 = 第一主成分方差占比。保留 2D 时信息不丢失！点击"动画投影"看数据如何从平面"压"到一条线上。
保留维度：1D　|　信息保留率：0%　|　丢失信息：0%

🤔 动动脑筋

1. 从 2D 降到 1D，丢失了多少信息？

2. 什么情况下降维丢失的信息较少？

📝 本阶段要点

  • 降维 = 把高维数据投影到少数几个主成分方向上
  • 信息保留率 = 保留主成分的方差之和 / 总方差（方差贡献率）
  • 数据越"扁平"（集中在少数方向），降维损失越小
  • 降维能简化数据、去除噪声，但会丢失部分细节信息

阶段4：真实应用 — "降维实战"

💡 应用目标：PCA 在真实世界里大显身手！选择一个场景体验降维的威力。
场景①：把 3 维成绩（语文/数学/英语）降到 2 维平面，看清不同学生的分组；场景②：用 PCA 压缩"人脸特征"，拖动滑块调整保留的主成分数量，观察重建质量。
🌐 操作：3D 场景中数据会自动旋转，点击"执行PCA"看数据投影到 2D 平面后的分组效果！切换到"人脸简化"可拖动滑块调整保留的主成分数量。
场景：3D数据降维　|　点击"执行PCA"开始降维

🤔 动动脑筋

1. PCA 降维后，数据一定会变得更容易分类吗？

2. 开放题：想想生活中还有哪些场景需要"抓重点"（降维思想）？

📝 本阶段要点

  • PCA 可把高维数据（如 3D、5D）降到 2D，方便可视化
  • 降维后不同类别的数据可能形成可区分的簇，便于观察
  • PCA 是无监督方法，只看方差不看标签，不一定利于分类
  • 保留的主成分越多，重建越接近原始；越少越简洁但损失越大
  • 生活中"抓重点"就是降维思想：整理错题、写摘要、挑关键特征