「线性判别分析法(LDA)」
LDA是一种有监督的降维方法，主要是将高维的模式样本投影到最佳鉴别空间。
其作用是投影后保证模式样本在新的子空间有最大的类间距离和最小的类内距离，即同类的数据点尽可能地接近，而不同类的数据点尽可能地分开。
LDA和PCA的区别是一个很「重要」的知识点，他们主要有以下区别。
(1)LDA是「有监督」的降维方法，而PCA是无监督的。
(2)LDA降维「最多」降到类别数k-1的维数，而PCA没有限制。
(3)LDA选择分类「性能最好」的投影方向，而PCA选择样本点投影具有「最大方差」的方向。
「局部线性嵌入(LLE)」
局部线性嵌入算法认为每个数据点可以由其近邻点的线性加权组合构造得到，能够使得降维后的数据较好地保持原有流行结构。
在真实工业场景中，局部线性嵌入用的「较少」。
Q4 特征构造主要包括什么特征构造主要是针对具体的项目属性，数据特点来构造出可能的重要特征。特征构造是非常关键的步骤，对模型效果的提升帮助巨大。下面举三个例子：
❝预测某商场未来的销售量，是不是周末就是很重要的特征。
客户关系中，消费间隔时长，消费频率，消费金额就是很重要的指标。
预测交通流量中，是不是早晚高峰时期、道路宽度等是非常重要的特征。
❞ hi 认识一下？ ❝微信关注公众号：「全都是码农」 (allmanong)
你将获得：
关于人工智能的所有面试问题「一网打尽」!未来还有「思维导图」哦！
回复「121」 立即获得 已整理好121本「python学习电子书」。
回复「89」 立即获得 「程序员」史诗级必读书单吐血整理「四个维度」系列89本书。
回复「167」 立即获得 「机器学习和python」学习之路史上整理「大数据技术书」从入门到进阶最全本（66本)
回复「18」 立即获得 「数据库」从入门到进阶必读18本技术书籍网盘整理电子书（珍藏版）
回复「56」 立即获得 我整理的56本「算法与数据结构」书
未来还有人工智能研究生课程笔记等等，我们一起进步呀！