特征表示：特征选择、特征抽取（方法概述）

以前一说数据降维，立马想到了主成分分析，最多加上个因子分析。因为是偏统计一点的。要是在多说，可能就不知道了。今天看到了别人的总结，要记下来以供以后参考。

• 主成分分析：主成分分析应该是应用最广的数据降维方法了；而且各个软件基本上都能做，算法不难，自己编写也可以，但是这里注意一下，亲测，一些软件的PCA算出来的数，和自己编的不一样，因为我写方差的时候用的是 , 这里学过数理统计的人应该知道这是因为为了使方差是无偏估计，所以用的是N-1，但是比如R软件，方差用的是, 也就是说用的是有偏的方差。
• 流行学习：主要的方法如下所示：

这个图是https://blog.csdn.net/bbbeoy/article/details/78002756转载这篇博文的。

流行学习也能够用于数据降维，不过感觉流行学习是一个比较大的分支，深入研究有点浪费时间了，用到再看吧

•  核方法：这里不是核密度方法（手动汗），，这个核方法是支持向量机（SVM）里面的核方法。 这里不是降维了，是能够使用低维的数据表示高维的信息的一种方法。在SVM中，核方法是能够将最优化问题拓展到非线性的关键一步，，使用这个方法的好处是一般常用的核方法已经固定了，拿来使用就好了。
• 主题模型（LDA）：常用于自然语言处理
• 度量学习：我看有的人说等价于相似度学习，，也不是很明白
• Embedding