降维算法是数据预处理中的一种技术，主要用于减少数据集中的特征数量，同时尽可能保留原始数据的重要信息。数模掌握线性降维方法就已经很强了。
目录
降维算法是数据预处理中的一种技术，主要用于减少数据集中的特征数量，同时尽可能保留原始数据的重要信息。降维可以提高数据分析的效率，降低计算复杂度，并且有助于避免过拟合。
线性降维方法
主成分分析（PCA）
PCA是一种统计方法，用于数据降维和特征提取。它通过正交变换将一组可能相关的变量转换成一组线性不相关的变量，使得数据的投影的方差最大化，这些变量称为主成分。PCA的目标是找到数据中的主要变化方向，以便于我们可以用较少的信息来表示原始数据。
线性判别分析（LDA）
LDA是一种监督学习的降维技术，它不仅考虑数据的方差，还考虑数据的类别信息。LDA的主要目标是寻找一个线性组合的特征空间，在这个空间中，不同类别的数据点尽可能分开（类间距离大），而同一类别的数据点尽可能接近（类内距离小）。
非线性降维方法
基于核函数的非线性降维方法
核主成分分析（KPCA）
是PCA（主成分分析）的一种非线性版本。它使用核技巧来处理数据的非线性结构，使得数据可以在更高维的特征空间中进行线性分析，从而提取主成分。
基于特征值的非线性降维方法（流型学习）
多维缩放（MDS）
MDS是一种用于数据可视化的降维技术，它通过保持数据点之间的距离来工作。MDS试图在低维空间中找到对象的配置，使得这个配置中对象之间的距离与原始高维空间中的距离尽可能相似。
等距映射（Isomap）
Isomap是一种基于测地距离的非线性降维技术。它通过保持数据点之间的测地距离来工作，测地距离是指在数据的邻域图上两点之间的最短路径长度。
局部线性嵌入（LLE）
LLE是一种基于局部邻域信息的非线性降维技术。LLE通过保持数据点之间的局部线性关系来工作，即在每个数据点的局部邻域内，其他点可以由该点线性重构。
基于概率分布的非线性降维方法
t-分布随机邻域嵌入（t-SNE）
原理：通过概率分布的方式来表示数据点之间的相似性，特别适用于高维数据的可视化。t-SNE的核心思想是在低维空间中保持高维空间中数据点之间的相对距离，使得相似的数据点在低维空间中更接近，而不相似的数据点更远离。
基于神经网络的非线性降维方法
自编码器（Autoencoders）
自编码器是一种基于神经网络的无监督学习技术，用于数据降维和特征学习。使用神经网络来学习数据的有效编码，编码后的数据维度小于原始数据。
标签：基于,机器,方法,非线性,降维,算法,线性,数据 From： https://blog.csdn.net/wwl412095144/article/details/139434067