主成分分析降维会影响到机器学习的精度么？

我使用五种方法同时对原始数据和主成分分析PCA处理之后的数据进行分析，并且进行回判和预测，发现SVM和神经网络前后变化不大，但是XGBoost、AdaBoost以及Bayes的成功率反而有所降低，请问是不是因为这几个方法不适合主成分分析降维？

这个和你的数据的关联度有关。做了PCA降维以后，那些关联性比较小的被你剔除了，它们或多或少包含了一些信息也就丢失了。那么或多或少会影响精度。
但是从另外一个角度看，如果你的计算规模大幅缩小，那么你机器学习的效率就提高了，在给定的有限时间和成本上，学习效率提高，你反倒可以得到更好的效果。

打一个比方，我们要挖金子，你说是先探明哪里有矿再挖掘，找到的金子多，还是漫无目的挖掘找的多？这个问题得这么看：
如果你有无限多的时间、不计成本，你不管哪里有矿没矿，把整个地球全部挖一遍，肯定得到的金子最多，因为即便不是矿的地方，多少也能挖一点点非常微量的金子，甚至海水中都溶解着金子。
但是现实中，我们不是有无穷多的矿工，无穷多的时间，那么先找到哪里有矿，在矿场挖，在给定的成本里，肯定比随便挖挖到的金子多。

主成分析是数据处理过程，和使用那种模型没有直接的关系，成功率下降的原因：1，处理后的模型需要重新训练调优你没做 2：数据纬度和数据集尺寸和选用的不太适合所选用的模型 3、主成分析会导致一部分的信息丢失（但一般使用主成分析处理数据是在保证不影响判别性能是采用的） 。。。等等其他原因。
但可以确定的是：主成分析肯定使用于以上你所列的所有模型算法