前言：
在前几天我们主要讨论了关于特征筛选和降维方面的问题，所以在开始今天对常见降维算法进行分析前，我们需要先明确一下特征筛选和降维的区别，特征筛选是关于“取舍”，它在保留特征原始意义的前提下做减法；降维是关于“重构”，它通过创造新特征来做信息浓缩。两种思想：一、先通过特征筛选去掉明显无关或噪声特征，再对剩余的特征进行降维，以达到最佳效果。二、（1）要解释、有成本、需行动→ 特征筛选（2）要性能、可视化、关系复杂→ 降维（3）不确定、有时间、想最优 → 两者都试，用验证集说话。
一、主成分析法（PCA）
PCA的处理流程
1. 对数据进行均值中心化。
2. 对中心化后的数据进行SVD。
3. 使用SVD得到的右奇异向量 `V` 作为主成分方向。
4. 使用奇异值 `S` 来评估每个主成分的重要性（解释的方差）。
5. 使用 `U*S`（或 `X_centered * V`）来获得降维后的数据表示。
PCA主要适用于那些你认为最重要的信息可以通过数据方差来捕获（无监督利用特征即可），并且数据结构主要是线性的情况。
二、t-SNE
t-SNE 是一种强大的非线性降维技术，主要用于高维数据的可视化。它通过在低维空间中保持高维空间中数据点之间的局部相似性(邻域关系)来工作。与PCA关注全局方差不同，t-SNE更关注局部细节。理解它的超参数(尤其是困惑度)和结果的正确解读力式非常重要。
三、LDA
线性判别分析 (LDA) 是一种经典的有监督降维算法，也常直接用作分类器。作为降维技术时，其核心目标是找到一个低维特征子空间（即原始特征的线性组合），使得在该子空间中，不同类别的数据点尽可能地分开（类间距离最大化），而同一类别的数据点尽可能地聚集（类内方差最小化）。
小结：
PCA等无监督降维方法的目标是保留数据的最大方差，这些方差大的方向不一定是对分类最有用的方向。因此，在分类任务中，LDA通常比PCA更直接有效。当然各种分析方法我们无法对其一概而论，我们需针对特定的情况去分析我们该使用什么方式，实践一下各个方法的效果。
@浙大疏锦行
