可以降维的算法

以下四种算法可以用来降维：

1.Latent Dirichlet Allocation

LDA（Latent Dirichlet Allocation）是一种文档主题生成模型，也称为一个三层 贝叶斯 概率模型，包含词、主题和文档三层结构。所谓生成模型，就是说，我们认为一篇文章的每个词都是通过“以一定概率选择了某个主题，并从这个主题中以一定概率选择某个词语”这样一个过程得到。

详细请移步：主题模型-LDA浅析

2.Word2Vec

word2vec 是它在给定的语料库上训练一个模型，输出出现在语料库上中单词的向量（word embedding）表示，NLP中传统的词表示方法是把每个单词表示成dim（词汇量大小）维的稀疏向量，这个稀疏向量只有一个维度（该单词的index）上是1，其余全是0，单词之间孤立，word embedding则是把单词的表示降维到n维的稠密向量，n<<dim。

3.Principal component analysis主成分分析

这个有降维的作用我之前写过，见链接：http://blog.csdn.net/qq_34420188/article/details/57978706

4.AutoEncoder

D. 自编码也很好理解，隐藏层的神经元数目少于输入就可以看做降维和压缩