机器学习中的数据降维技术包括主成分分析（PCA）和线性判别分析（LDA）

参考文献：https://www.cnblogs.com/xbinworld/archive/2011/11/24/pca.html

一、数据预处理与降维技术

在机器学习的研究范畴内，降维通常指的是借助特定的映射手段，将原本存在于高维空间中的数据点转换至维度更低的空间中。其实质在于构建一个映射函数 f : x→y，其中x代表原始数据点的表达形式，当前最常见的是采用向量形式进行描述。而y则表示经过映射后的低维向量表达，其维度一般低于x的维度（当然也存在提升维度的情况）。该映射函数f可以是显性或隐性的、线性或非线性的。

此外，还有一类方法在本质上也实现了降维操作，称为特征选择。其主要目标是从原始数据所包含的所有特征集合中选取一部分作为新的数据表达方式。

目前大多数降维算法适用于向量形式的数据表达，但也有一些算法专门针对高阶张量形式的数据进行处理。

采用降维后的数据表示主要有以下原因：

(1) 在原始高维空间中往往包含着大量冗余信息和噪声信息，在实际应用如图像识别过程中容易引发误差并降低识别精度；通过实施降维技术，我们期望能够减少冗余信息所带来的误差影响，从而提升识别或其他应用任务的准确程度。

(2) 或者希望通过降维方法挖掘出数