降维在之前的 博客 中，我们曾经介绍过 PCA 方法及其降维的作用。在原始数据中各个特征之间存在着一定的信息冗余，随着特征的不断增加就容易出现“维数灾难”的问题，因此降维的目的就是在尽可能多的保留原始信息的同时减少数据的维度。一般情况下我们将降维方法分为：线性降维方法和非线性降维方法，线性降维方法的典型算法有：主成份分析 (PCA, Principal Component Analysis) 1 线性判别分写 (LDA, Linear Discriminant Analysis) 2 多尺度变换 (MDS, Multi-Dimensional Scaling) 3 非线性降维方法中在此我们仅列……