线性降维
PCA(无监督)
1.协方差矩阵：随机变量组成的向量，每组随机变量的协方差构成的一个对称矩阵，其对角元是每组随机变量的方差
2.矩阵的对角化：对于矩阵M，有可逆矩阵V，使得成为对角矩阵，而M的特征值对应的特征向量组成了该可逆矩阵V。（换而言之，矩阵V的每一列对应着M的特征向量）
3.正交矩阵：转置矩阵等于其逆矩阵（），构成矩阵的列向量彼此正交。
4.数据中心化：对每组随机变量减去均值，再除以标准差。本质是将每组随机变量变为标准的高斯分布。
PCA（Principal component analysis）是用投影的方法将高维空间压缩到低维。
LDA(有监督)
1.均值向量：由多组随机变量组成的向量，对每一组随机变量取均值所构成的向量。
2.厄米矩阵（Hermitan ）：转置等于其本身的矩阵。
3.广义瑞利熵（Rayleigh quotient ）：若x为非零向量，则为A,B的广义瑞利熵，它的最大值是的最大特征值。
4.矩阵的奇异值分解：任何实矩阵M都可以被分解成为这三个矩阵的乘积。U和V均为正交矩阵。U的列向量是的特征向量，V的列向量是的特征向量，同时奇异值的大小是的特征值的平方根。
LDA（Linear Discriminant Analysis）的基本思想也是将高维空间的样本投影到低维空间，使信息损失最少。
与PCA不同在于，PCA只针对样本矩阵，希望投影到低维空间之后，样本投影点的方差最大；但LDA不仅针对样本矩阵，还使用了类别信息，它希望投影到低维空间后，相同样本的方差最小（相同样本的集中化），不同样本的距离最大（不同样本离散化）。
非线性降维
MDS（多维缩放）和ISOMAP（等度量映射）
1.流形（manifold）：局部近似欧氏空间的拓扑空间，流形上的任意一点都有邻域近似为欧几里得空间。（举个例子，你将一张忽略厚度的纸卷成一个桶状，那么这张纸就变成了一个三维空间的二维流形，且这张纸每一点和其邻域近似平整）
2.内蕴空间（intrinsic space）：流形内部结构的空间
3.测地线：黎曼流形上连接两点的局部最短的线，它于弯曲空间，类似于直线对于平直空间。
4.迹（trace）：矩阵对角元的和
MDS（Multiple Dimensional Scaling）的目标是尽可能在低维空间保持高维空间的距离信息。
KLDA（核化的线性判别分析）
1.kernel trick:将样本从低维空间映射到高维空间，可以将一个非线性问题转化为线性问题,且有核函数:
2.表示定理（Representer theorem）：正则化项单调递增的关于的优化函数，它的解总可以写成
3.LDA:线性判别分析
KLDA(Kernelized Linear Discriminant Analysis)就是使用了kernel trick的LDA。
小结
线性降维
• 降维在表示论中属于低维表示，本质是将原本空间压缩到更小的空间，在这个过程中保证信息损失的最小化。与之相对的是稀疏表示，它是将原本的空间嵌入到更大的空间，在这过程中保证信息损失的最小化。
• PCA有多种理解方式，除了在低维空间使得样本方差最大化，也可以理解为最小重构均方误差，将问题转化为所选低维空间重构的数据与实际数据的差。引入贝叶斯视角，还可以将PCA理解为最小化高斯先验误差。如果从流形的角度看，就是把数据看作一个拓扑空间的点集，在高斯概率空间内找到一个对应的线性流形。
• PCA和LDA的优化目标均可以用拉格朗日乘子法解决。PCA同样也可以通过奇异值分解来解决。奇异值分解方法可以理解为是特征值分解的推广，因为特征值分解要求矩阵为一个方阵，但奇异值分解并无此要求。
非线性降维
• ISOMAP属于流形学习，流形重要特点就是局部结构对应于欧几里得空间，使得我们可以在低维空间保持流形的结构，而结构的关键属性就是样本间的距离，也正因为如此，我们对测地线的计算仍然需要对领域的样本进行收集，实际上往往得不到有效满足。也就是说，流形学习的好坏很大程度上取决于数据本身。
• KLDA之所以是非线性的，原因就在与对高维空间的变换，然后再进行投影，投影是线性的，但变换却是非线性的。监督学习体现在那个指示变量，它乘以核矩阵，就可以将属于一类样本挑出来，因为其他的为零。
• 其他常见的流形学习方法有，拉普拉斯特征映射，局部线性嵌入，和局部切空间对齐，t分布的随机临近嵌入等。