一、用自己的话描述出其本身的含义：
1、特征选择
2、PCA
特征选择：单纯的从提取到的所有特征中选择部分特征作为训练集特征，特征在选择后可以改变值、也不改变值，但是选择特征后的特征维数肯定比选择前小，毕竟我们只选择了其中的一部分特征，部分特征的相关度高，容易消耗计算性能，部分特征对预测结果有影响。（人为处理）
PCA：数据太多，人为处理不过来时，用PCA进行处理。PCA的本质是一种分析、简化数据的技术。目的是数据维护压缩，尽可能降低原数据的维数，损失少量信息。可以消减回归分析或者聚类分析中特征的数量。（机器处理）特征数量达到上百的时候，考虑简化，数据，数据也会改变，特征数量也会减少。
二、并用自己的话阐述出两者的主要区别
区别：
特征选择：特征在选择后可以改变值、也不改变值，但是选择特征后的特征维数肯定比选择前小。（人为处理）
PCA：简化数据，数据也会改变，特征数量也会减少。（机器处理）
原文：https://www.cnblogs.com/pangminhua/p/12793534.html