特征降维主要包括什么？

1. 主成分分析法(PCA)

PCA是一个将数据变换到一个新的坐标系统中的线性变换，使得任何数据的投影的第一大方差在第一个坐标(第一主成分)上，第二大方差在第二个坐标(第二主成分)上，以此类推。

其作用只要是为了让映射后得到的向量具有最大的不相关性。就是说PCA追求的是再将位置后能够最大化保持数据的内在信息。

2. 线性判别分析法(LDA)

LDA是一种有监督的降维方法，主要是将高维的模式样本投影到最佳鉴别空间。

其作用是投影后保证模式样本在新的子空间有最大的类间距离和最小的类内距离，即同类的数据点尽可能地接近，而不同类的数据点尽可能地分开。

LDA和PCA的区别是一个很重要的知识点，他们主要有以下区别。

​ (1)LDA是有监督的降维方法，而PCA是无监督的。

​ (2)LDA降维最多降到类别数k-1的维数，而PCA没有限制。

​ (3)LDA选择分类性能最好的投影方向，而PCA选择样本点投影具有最大方差的方向。

3. 局部线性嵌入(LLE)

   局部线性嵌入算法认为每个数据点可以由其近邻点的线性加权组合构造得到，能够使得降维后的数据较好地保持原有流行结构。

   在真实工业场景中，局部线性嵌入用的较少。

hi 认识一下？

微信关注公众号：全都是码农 (allmanong)
你将获得：
关于人工智能的所有面试问题一网打尽!未来还有思维导图哦！
回复121 立即获得 已整理好121本python学习电子书。
回复89 立即获得 程序员史诗级必读书单吐血整理四个维度系列89本书。
回复167 立即获得 机器学习和python学习之路史上整理大数据技术书从入门到进阶最全本（66本)
回复18 立即获得 数据库从入门到进阶必读18本技术书籍网盘整理电子书（珍藏版）
回复56 立即获得 我整理的56本算法与数据结构书
未来还有人工智能研究生课程笔记等等，我们一起进步呀！