PCA transforma un conjunto de variables posiblemente correlacionadas en un nuevo conjunto de variables no correlacionadas (componentes principales), ordenadas de forma que la primera capture la mayor cantidad posible de la variabilidad total de los datos, la segunda la mayor variabilidad restante, y así sucesivamente.
Por qué es tan utilizado
Permite reducir drásticamente la cantidad de variables de un conjunto de datos conservando la mayor parte de su información relevante, siendo útil tanto para acelerar el entrenamiento de modelos posteriores como para visualizar datos complejos en dos o tres dimensiones.