一、主成分分析简称 PCA（Principal Component Analysis）
非监督
目的：原来的数据集是d维，转换成k维的数据，k<d，新的k维数据尽可能多的包含原来d维数据的信息
1.1 用处：
1.Clustering
把复杂的多维数据点，简化成少量数据点，易于分簇
2.降维(特征工程：数据过于稀疏/数据过少)
降低高维数据，简化计算
降低维度，压缩，去噪
1.2 实例
二维-->一维：寻找一个一维向量的方向，数据在这个向量撒谎给你的投影能最小化损失
n维-->k维：寻找一个k维向量，数据在这个k维空间的投影能最小化损失，最大程度的包含原来的n维数据的信息
1.3 如何选择投影方向
对数据做了均值化处理，再减去均值，方差的u就会变成0：
注释：
数据的集中程度：用均值表示
数据的分散程度：用方差表示
协方差：衡量2个维度之间是否有关系，2个维度之间的线性相关性有多大
1.4 PCA的推导过程
降维的过程中，让数据尽可能的分散，找一个线性变化，让数据投影的方差最大化，假设先找一个线性变化的u1，对xi做线性变化的投影。
先对数据进行均值化处理
目标：最大化投射后的方差：
至此可证明，我们要找的x 投影后的方差就是协方差矩阵的特征值，而我们想要的最大方差，显然就是协方差矩阵最大的特征值，最佳投影方向就是最大特征值所对应的特征向量
n_components
注释：
1.5 PCA求解的步骤
设有m条n维数据。
1）将原始数据按列组成n行m列矩阵X
2）将X的每一行（代表一个属性字段）进行零均值化，即减去这一行的均值
3）求出协方差矩阵
4）求出协方差矩阵的特征值及对应的特征向量
5）将特征向量按对应特征值大小从上到下按行排列成矩阵，取前k行组成矩阵P
6）Y=PX即为降维到k维后的数据
二、LDA
监督式学习
LDA（Linear Discriminant Analysis），中文名为“线性判别分析”。
LDA的中心思想就是最大化类间距离以及最小化类内距离
2.1 图示
2.2 推导过程及损失函数：
2.3 算法流程
三、PCA和LDA的比较
3.1 相似点：
从过程来看，PCA与LDA有很大的相似性，最后其实都是求某一个矩阵的特征值，投影矩阵即为该特征值对应的特征向量
3.2 差异：
PCA为非监督降维，LDA为有监督降维
PCA希望投影后的数据方差尽可能的大（最大可分性），因为其假设方差越大，则所包含的信息越多；而LDA则希望投影后相同类别的组内方差小，而组间方差大。LDA能合理运用标签信息，使得投影后的维度具有判别性，不同类别的数据尽可能的分开。
有标签就尽可能的利用标签的数据（LDA），而对于纯粹的非监督任务，则还是得用PCA进行数据降维。
参考资料：
Dimensionality Reduction Stanford CSEP 546
PCA的数学原理
https://blog.csdn.net/xiaojidan2011/article/details/11595869
PCA与LDA比较
https://www.jianshu.com/p/982c8f6760de
LDA线性判别原理解析
https://blog.csdn.net/feilong_csdn/article/details/60964027
我觉得这个博客写的不错：https://zhuanlan.zhihu.com/p/55798053?utm_source=qq