数据降维的作用PCA与LDA

1.   当你的特征数量p过多，甚至多过数据量N的时候，降维是必须的。

为什么是必须的？有个东西叫curse of dimensionality，维度越高，你的数据在每个特征维度上的分布就越稀疏，这对机器学习算法基本都是灾难性的。
你说特征数量过多，砍一点就行了嘛？但是对不起，就有这样的问题存在，砍不了。
你要研究某个罕见病跟什么基因有关？基因很多哦，人类已知的基因有几千个，可是病例通常也就几百个，有时连几百个都没有……

2.  特征有比较明显的自相关的时候，也可以考虑降维。
自相关会让很多模型的效果变差，主要是线性模型。这些模型效果不好，但是算的快，很多时候很有用。先降维再算会好的多。