(因為只是複習用，如果非必要，就不解釋原理了)

所謂降維-降低維度，在機器學習中，簡單說 就是將特徵數量減少

舉個例子
在畫圖時 一個特徵(一維) 我們能記為

兩個特徵(二維) 能畫為

三維就需要動畫呈現 比較好看了

最基礎的降維概念，就是將高維度映射到低維度上，就像


本來需要二維才能進行詮釋的資料( (x,y) EX:(5,1)、(1,4)...)
變成只需要一維即可詮釋
(也就是 有時高維的資料 可以在不損失基本資訊的情況下 使用較少變數進行描述。EX:常用的無監督PCA、有監督LDA，主要是偏重的重點不同，PCA主要是想保留變異量，是依據資料本身的分布，不在乎正確答案怎麼分的；但LDA 主要是為了讓資料能在降維後，數據點可以滿足最好的分類效果，也就是希望映射到低維度(降維)後 組間差異越大越好、組內差異越小越好)

(LDA:組內差異小-很靠近；組間差異大-離較遠)

(補充 深度學習的AutoEncoder 與 PCA蠻像的，尤其當自編碼器使用線性激活函數並且損失函數為均方誤差時，其實就等價於PCA。)