10.1 k近邻学习
工作机制：
k近邻是懒惰学习的代表，没有显式的训练过程，和 急切学习 相反
K近邻学习受k值和距离计算方式的影响
当k=1,分析错误率，即最近邻分类器
10.2 低维嵌入
维数灾难：
在高维情况下出现的数据样本稀疏，距离计算困难等问题
解决方案：
降维，通过某种数学变换，将原始高维属性空间转变为一个低维子空间，在这个子空间中样本密度大幅度提高，距离计算也变得更为困难。
为什么降维？
数据样本虽是高维的，但与学习任务密切相关的也许仅是某个低维分布，即高维空间的一个低维嵌入。
10.3 主成分分析
PCA：将多个特征综合为少数几个代表性特征。
降维原理：
维数的选择：
10.4 核化线性降维
线性降维方法假设从高维空间到低维空间的函数映射是线性的，然而，在不少现实任务中，可能需要非线性映射才能找到恰当的低维嵌入。
若不存在一个划分超平面，那么升维。