- 参考
PCA：
PCA发挥作用的实例（实践证明）https://www.jianshu.com/p/0227aa77425f
PCA前的数据预处理：去中心，标准化（理论取胜）https://blog.csdn.net/u010182633/article/details/45918737
训练集和测试集上的做法（操作上的细节）http://wenda.chinahadoop.cn/question/5926
别人的总结https://blog.csdn.net/viewcode/article/details/8789524
LDA：
LDA原理（二分类以及多分类）：https://www.cnblogs.com/jerrylead/archive/2011/04/21/2024384.html
图文代码丰富https://blog.csdn.net/ruthywei/article/details/83045288
- 总结
PCA：
对高斯分布有效，因为高斯分布不相关就是独立
在做之前需要进行去中心化和标准化（无量纲），因为去中心化后变换就只用正交变换来去相关，后面的推导容易，无量纲化是考虑到量纲会影响方差的大小比较。
PCA后的特征是正交的
PCA挑选的特征只是对于保留所有数据的分散性有用，对于数据分类未必有用，LDA是针对数据分类的
PCA中协方差矩阵的特征值之和，就是所有样本（去中心、标准化后）与中心（即坐标原点）的距离平方和
如果使用到分类中，适合能够用方差分类的数据，如
LDA：对于K分类，最多降到K-1维空间上面，并且选出来的特征未必正交
适合使用均值可以区分开的数据
