对比LDA,NCA,PCA

1. LDA原理：
线性判别分析，是数据挖掘中一种经典监督学习的分类和降维方法，但更多用来降维。其原理寻找一个投影矩阵，使得投影后的数据样本，同类相近，异类远离。其中心思想是最大化类间距离及最小化类内距离。

 推导：

2. NCA原理：
近邻成分分析，属于度量学习和降维领域，原理是以马氏距离为距离度量的KNN为基础，通过不断优化KNN分类的准确性来学习转化矩阵，最终得到对原数据进行降维的转换矩阵。
 推导过程：

3. PCA原理：
PCA的主要思想是将n维特征映射到k维上，这k维是全新的正交特征也被称为主成分，是在原有n维特征的基础上重新构造出来的k维特征。
 推导过程：

4. compare LDA with PCA:
相同：
两者均可以对数据进行降维。
两者在降维时均使用了矩阵特征分解的思想。
两