维度灾难：随着维度（如特征或自由度）的增多，问题的复杂性（或计算算代价）呈指数级增长的现象。
高维空间的反直觉示例：单位球体积：
一维，二维，三维的 长度/面积/体积 都有公式计算，而高维的计算公式是这样的：
d维空间半径为r的球体体积公式：
单位球体积与维度之间的关系图示：
在高维空间中，球体内部的体积与表面积处的体积相比可以忽略不计，大部分体积都是分布在边界的：
高维空间中的欧式距离：d维空间样本x1和x2的欧式距离为：
随着维数增加，单个维度对距离的影响越来越小，任意样本间的距离趋于相同：
由于距离在高维空间中不再有效，因此一些基于距离的机器学习模型就会收到影响。
基于距离的机器学习模型：K近邻（样本间距离），支持向量机（样本到决策面距离），K-Means（样本到聚类中心距离），层次聚类（不同簇之间的距离），推荐系统（商品或用户相似度），信息检索（查询和文档之前的相似度）。
稀疏性与过度拟合：
过度拟合：模型对已知数据拟合较好，新的数据拟合较差。极端例子：训练集准确率越来越高，而使用测试集测试模型准确率依然维持在0.5左右。
稀疏性：高维空间中样本变得极度稀疏，容易会造成过度拟合问题。
Hughes现象：随着维度增大，分类器性能不断提升直到达到最佳维度，继续增加维度分类器性能会下降。
高维空间计算复杂度指数增长，因此只能近似求解，得到局部最优解而非全局最优解。
举例——决策树：选择切分点对空间进行划分。每个特征m个取值，候选划分数量m^d（维度灾难）
举例——朴素贝叶斯：
应对维度灾难：特征选择和降维
特征选择：选取特征子集。
降维：使用一定变换，将高维数据转换为低维数据，PCA，流形学习，t-SNE等。
正则化：减少泛化误差而不是训练误差
核技巧：
判断机器学习模型是否存在维度灾难问题：
不存在维度灾难问题的模型：随机特征模型，两层神经网络，残差神经网络等