如果不降维，将导致 数据分布在一个极小的区域内。也叫维度灾难。比如说，球的体积是 v 正比于 R^3。在R/2的同心球，体积正比于(R/2)^3。同心小球是全球的体积八分之一。如果是多维球，球的大部分体积 分布在球表面内侧的“很薄”的一层，比如千/万维的话….所以要降维。不降维，高维特征没啥用，比如人脸识别….
PCA是无类别信息，不知道样本属于哪个类，用PCA，通常对全体数据操作。PCA的计算过程：
1，求数据的协方差矩阵
2，求所得协方差矩阵的特征值和特征向量（用SVD，SVD比直接特征值分解计算量小）
3，保留最重要的前R个特征值
4，降到R维后，减少了数据的冗余
LDA有类别信息，投影到类内间距最小and类间间距最大…也有一些算法，先用PCA搞一遍，再用LDA搞一遍，也有相反。反正有论文是这么搞的，至于是不是普适，要看具体问题。具体问题具体分析，这是最重要的…
参考链接：
1，https://www.zhihu.com/question/35666712
2，https://blog.csdn.net/zjm750617105/article/details/52104850
3，https://www.cnblogs.com/pinard/p/6244265.html
4，https://blog.csdn.net/Dark_Scope/article/details/53150883
5，https://www.zhihu.com/question/38319536