关于降维相关概念

1. 维度

对于数组来说，就是.shape返回的结果，返回了几个数字，就是几维。如下：

"""一维"""
array([1, 2])
# 返回的.shape结果，返回了1个数字
shape (2,)  

"""二维"""
array([[1 2],
       [2 3],
       [3 4]])
# 返回的.shape结果，返回了2个数字
shape (3, 2)

"""三维"""
array([[[1 2],
        [2 3],
        [3 4]],

       [[1 2],
        [2 3],
        [3 4]]])
# 返回的.shape结果，返回了3个数字
shape (2, 3, 2)

在特征矩阵中，维度指的是样本的数量或特征的数量，一般情况下，表示特征的数量。1个特征就是一维，2个就是二维…n个就是n维。

在图像中，维度就是特征向量的数量。一个特征向量可以定义一条直线（一维）；两个相互垂直的特征向量可以定义一个平面（二维）；三个相互垂直的特征向量可以定义一个空间（三维）；三个以上就是我们肉眼不可见，也难以想象的高维空间了。

2. 降维

降维算法中的“降维”如何理解呢？
所谓“降维”，顾名思义，就是降低特征矩阵中特征的数量。降维的实现可以让算法的运算速度更快，除此之外，降维还可以使得数据可视化。上面也说明了，我们人类能够想象的最高就是三维空间，通过降维，实现数据可视化，就能帮助我们更好理解数据分布。