常见的特征降维方法

1. 主成成分分析（PCA）

2. 线性判别分析（Linear Discriminant Analysis,LDA）
   映射后类内方差最小，类间方差最大

3. 局部线性嵌入(Locally Linear Embedding,LLE)
   Isomap求全局最优解，LLE算法计算量较小

4. 多维缩放（Multidimensional Scaling,MDS）
   非线性降维
   在降维的同时尽量保持欧式距离不变

5. 等度量映射（Isometric Mapping，Isomap)
   属于流形学习
   认为低维流形嵌入高维空间后，低维流形两点间的距离是测地线距离（geodesic)
   利用两点间的最短路径来近似两点间的测地线距离。因此，当空间中的数据点稠密时，近似效果较好，误差较小；当数据点稀疏时，效果就不太好。

6. 局部保留投影(Locality Preserving Projections,LPP)
   属于流形学习
   线性降维
   降维的同时保留局部近邻节点的信息

7. 拉普拉斯特征映射(Laplacian Eigenmaps,LE)
   属于流形学习
   非线性的降维方法
   降维的同时保留局部近邻节点的信息