為什么要降維？
高維情形下，樣本數(shù)據(jù)稀疏，距離計算困難。
為什么能進行降維？
收集的數(shù)據(jù)雖是高維但與學(xué)習(xí)任務(wù)密切相關(guān)的也許僅僅是某個低維分布

無監(jiān)督降維：

PCA
最大重構(gòu)性：找到一個超平面使得樣本點在這個超平面的投影盡量分開。
PCA也可以看作是逐一篩選方差最大方向；對協(xié)方差矩陣XX^T特征分解，取最大特征值及其特征向量；在去掉該特征值以及特征向量后，繼續(xù)取最大特征值；
關(guān)于PCA的幾個問題：

1. 投影方向應(yīng)該取多少才好？
   根據(jù)博客https://blog.csdn.net/michael__corleone/article/details/79680183中所說，選取特征值和占總特征值的80%

2. PCA為什么需要去中心化？
   根據(jù)方差公式，如果沒有事先進行去中心化后，在計算過程中也會去減去均值，增大計算復(fù)雜度

注意點：（1）特征根的大小決定了我們感興趣信息的多少。即小特征根往往代表了噪聲，但實際上，向小一點的特征根方向投影也有可能包括我們感興趣的數(shù)據(jù)； （2）特征向量的方向是互相正交（orthogonal）的，這種正交性使得PCA容易受到Outlier的影響（3）PCA適用于非監(jiān)督的學(xué)習(xí)的不帶標(biāo)簽(帶標(biāo)簽的樣本，往往用LDA降維)的樣本降維，特別是小樣本問題。廣義認(rèn)為，這類樣本屬性之間的相關(guān)性很大，通過映射，將高維樣本向量映射成屬性不相關(guān)的樣本向量。（4） PCA是一個去屬性相關(guān)性的過程，這里的相關(guān)性主要指的是線性相關(guān)性
python代碼：

            
              from numpy import  *
def loaddata(filename):
    fr=open(filename)
    stringArr=[line.strip().split('\t') for line in fr.readlines()]
    datArr=[map(float,line)for line in stringArr]
    return mat(datArr)

def pca(dataMat,topNfeat=9999999):
    ##去中心化
    meanVals=mean(dataMat,axis=0)
    meanRemoved=dataMat-meanVals
    #計算協(xié)方差矩陣
    covMat=cov(meanRemoved,rowvar=0)
    eigVals,eigVects=linalg.eig(mat(covMat))
    eigValInd=argsort(eigVals)
    ##對特征值進行排序
    eigValInd=eigValInd[:-(topNfeat+1):-1]
    redEigVects=eigVects[:,eigVaInd]
    #將數(shù)據(jù)轉(zhuǎn)換到新空間
    lowDDataMat=meanRemoved*redEigVects
    reconMat=(lowDDataMat*redEigVects.T)+meanVals
    return lowDDataMat,reconMat
dataMat=loaddata('testSet.txt')
lowDMat,reconMat=pca(dataMat,1)
import matplotlib
import matplotlib.pyplot as plt
fig = plt.figure()
ax = fig.add_subplot(111)
ax.scatter(dataMat[:,0].flatten().A[0], dataMat[:,1].flatten().A[0], marker='^',  s = 90 )
ax.scatter(reconMat[:,0].flatten().A[0], reconMat[:,1].flatten().A[0],marker='o', s = 50 , c ='red' )
plt.show() 

            
          

TSNE

TSNE是一種非線性的降維方法，上面的PCA無法解釋特征之間多項式的關(guān)系，t-sne基于領(lǐng)域圖上隨機游走的概率分布來尋找數(shù)據(jù)內(nèi)部結(jié)構(gòu)。
參考鏈接：https://yq.aliyun.com/articles/70733
https://blog.csdn.net/zhangweiguo_717/article/details/70188517
其基本思想是保證降維后分布概率不變

自編碼器
自編碼器是一種能夠通過無監(jiān)督學(xué)習(xí)，學(xué)到輸入數(shù)據(jù)高效表示的人工神經(jīng)網(wǎng)絡(luò)。
自編碼器由兩部分組成：
1）編碼器：這部分能將輸入壓縮成潛在空間表征，可以用編碼函數(shù)h=f(x)表示。
2）解碼器：這部分能重構(gòu)來自潛在空間表征的輸入，可以用解碼函數(shù)r=g(h)表示
自編碼器的目標(biāo)就是讓output盡可能等于input,當(dāng)中間隱層只有一層的時候，優(yōu)化的目標(biāo)函數(shù)類似于PCA。

自動編碼器與PCA的比較
??1）它是一種類似于 PCA 的無監(jiān)督機器學(xué)習(xí)算法。大體上，AutoEncoder可以看作是PCA的非線性補丁加強版，PCA的取得的效果是建立在降維基礎(chǔ)上的。
??2）它要最小化和 PCA 一樣的目標(biāo)函數(shù)。自動編碼器的目標(biāo)是學(xué)習(xí)函數(shù) h(x)≈x。換句話說，它要學(xué)習(xí)一個近似的恒等函數(shù)，使得輸出 x^ 近似等于輸入 x。
??3）它是一種神經(jīng)網(wǎng)絡(luò)，這種神經(jīng)網(wǎng)絡(luò)的目標(biāo)輸出就是其輸入。自動編碼器屬于神經(jīng)網(wǎng)絡(luò)家族，但它們也和 PCA（主成分分析）緊密相關(guān)。
??總之，盡管自動編碼器與 PCA 很相似，但自動編碼器比 PCA 靈活得多。在編碼過程中，自動編碼器既能表征線性變換，也能表征非線性變換；而 PCA 只能執(zhí)行線性變換。因為自動編碼器的網(wǎng)絡(luò)表征形式，所以可將其作為層用于構(gòu)建深度學(xué)習(xí)網(wǎng)絡(luò)。設(shè)置合適的維度和稀疏約束，自編碼器可以學(xué)習(xí)到比PCA等技術(shù)更有意思的數(shù)據(jù)投影。

正如主成分分析（principal component analysis，PCA）算法，通過降低空間維數(shù)去除冗余，利用更少的特征來盡可能完整的描述數(shù)據(jù)信息。
??實際應(yīng)用中將學(xué)習(xí)得到的多種隱層特征（隱層數(shù)通常多個）與原始特征共同使用，可以明顯提高算法的識別精度
自編碼器的應(yīng)用
??第一是數(shù)據(jù)去噪。
??第二是為進行可視化而降維。
??第三是進行圖像壓縮。
??第四傳統(tǒng)自編碼器被用于降維或特征學(xué)習(xí)。

有監(jiān)督

LDA
Linear Discriminant Analysis(也有叫做Fisher Linear Discriminant)是一種有監(jiān)督的（supervised）線性降維算法。與PCA保持?jǐn)?shù)據(jù)信息不同，LDA是為了使得降維后的數(shù)據(jù)點盡可能地容易被區(qū)分！
假設(shè)原始數(shù)據(jù)表示為X，（m*n矩陣，m是維度，n是sample的數(shù)量）
既然是線性的，那么就是希望找到映射向量a， 使得 a‘X后的數(shù)據(jù)點能夠保持以下兩種性質(zhì)：
1、同類的數(shù)據(jù)點盡可能的接近（within class）
2、不同類的數(shù)據(jù)點盡可能的分開（between class）

所以呢還是上次PCA用的這張圖，如果圖中兩堆點是兩類的話，那么我們就希望他們能夠投影到軸1去（PCA結(jié)果為軸2），這樣在一維空間中也是很容易區(qū)分的。

思路還是非常清楚的，目標(biāo)函數(shù)就是最后一行J（a)，μ（一飄）就是映射后的中心用來評估類間距，s（一瓢）就是映射后的點與中心的距離之和用來評估類內(nèi)距。J(a)正好就是從上述兩個性質(zhì)演化出來的。
因此兩類情況下：
加上a’a=1的條件（類似于PCA）