lda 可以处理中文_降维方法小结和理解：PCA、LDA、MDS、ISOMAP、SNE、T-SNE、AutoEncoder...

PCA：Principle component analysis 主成分分析

百度百科：它是一个线性变换。这个变换把数据变换到一个新的坐标系统中，使得任何数据投影的第一大方差在第一个坐标(称为第一主成分)上，第二大方差在第二个坐标(第二主成分)上，依次类推。主成分分析经常用于减少数据集的维数，同时保持数据集的对方差贡献最大的特征。

PCA是无监督的。（其实也可以不降维，比如上面的x1和x2变成了y1和y2，就没降维。）

LDA：Linear Discriminant Analysis 线性判别分析

区别于同名的LDA（Latent Dirichlet Allocation 文档主题生成模型）

刘建平：　LDA是一种监督学习的降维技术，“投影后类内方差最小，类间方差最大”。

右图的分布比做图的分的更开

MDS：MultiDimensional Scaling 多维尺度变换

MDS 是一种线性降维方法。其目标在新空间中两个点之间的距离，与原空间中尽量相同。

注意，MDS所说的距离就是欧式距离，这就导致无法处理流形，也就引出了ISOMAP。

ISOMAP: Isometric Mapping 等距特征映射

对于流形（Manifold，局部具有欧式空间性质的空间），两点之间的距离并非欧氏距离。而是采用“局部具有欧式空间性质”的原因，让两点之间的距离近似等于依次多个临近点的连线的长度之和。通过这个方式，将多维空间“展开”到低维空间。

思路详述 & 流形的解释（很有趣）：

远行人：｛降维｝ ISOMAP等距特征映射 & MDS多维标度法​zhuanlan.zhihu.com

经典的“瑞士卷”问题

SNE & T-SNE

SNE，不同于MDS和ISOMAP中基于距离不变的思想，而是先将欧氏距离距离转换为条件概率，来表达点与点之间的相似度，再优化两个分布之间的距离-KL散度，从而保证点与点之间的分布概率不变。

尽管SNE提供了很好的可视化方法，但是他很难优化，而且存在“拥挤问题”crowding problem。t-SNE在低维空间下使用更重长尾分布的t分布来避免拥挤问题和优化问题。

见到最好的资料：

http://www.datakit.cn/blog/2017/02/05/t_sne_full.html​www.datakit.cn

AutoEncoder：自编码器

这就完全是是另一种思路，深度学习的方式了。模型的输入和输出相同，都是高维的原数据。

理解为：（下图）高维数据（左测蓝色）通过某种网络变成低位数据（中间红色）后，又经过某种网络变回高维数据（右侧蓝色）。数据经过该模型前后没有变化，而中间的低维数据完全具有输入输出的高维数据的全部信息，所以可以用低维数据代表高维数据。

之所以叫AutoEncoder，而不叫AutoEncoderDecoder，是因为训练好之后只有encoder部分有用，decoder部分就不用了。

进入深度学习的思路之后，编码的网络是开放的，可以自由设计的。一个思路是端到端，将网络的输出设为你任务要的结果（如类别、序列等），过程中的某层嵌入都可以作为降维的低维结果。当然，这种低维结果其实是模型的副产品，因为任务已经解决。比如bert模型得到（中文的）字嵌入。

-----------------------------

如果你觉得本文有些许帮助，请点赞~~~~