机器学习降维方法

由于我的毕设要用PCANET提取特征，因此学习一下常见的机器降维方法。

1. PCA 最大化映射后数据的方差（无监督）

2. LDA 最小的类内间距，最大的类间间距（有监督）

原理推导：https://blog.csdn.net/itplus/article/details/12038357

3. 局部线性嵌入（LLE，非线性）它能够使降维后的数据较好地保持原有 流形结构 。它的思想就是在降维时保持局部的线性关系。

原理推导： https://www.cnblogs.com/pinard/p/6266408.html?utm_source=itdadao&utm_medium=referral

4. 拉普拉斯特征映射

在学习拉普拉斯矩阵的时候，涉及到图的概念，所以先学习一下图吧·····

下面的文字摘自于百度百科：

逻辑结构分为两部分：V和E集合。因此，用一个一维数组存放图中所有顶点数据；用一个二维数组存放顶点间关系（边或弧）的数据，这个二维数组称为邻接矩阵。邻接矩阵又分为有向图邻接矩阵和无向图邻接矩阵。

无线图的邻接矩阵一定是对称矩阵，顶点n的度就表示为n行非零元素的个数和

原理推导： https://blog.csdn.net/qrlhl/article/details/78066994

在其中，涉及广义特征值的概念 ，矩阵论的知识快忘完了~~~Ax=λBx ，以后慢慢看吧~~