高维数据降维算法综述  

作　　者：殷玉玲 罗兰花[1] 

机构地区：[1]贺州学院人工智能学院,广西贺州542800

出　　处：《电脑知识与技术》2025年第6期12-14,26,共4页Computer Knowledge and Technology

基　　金：广西高校中青年教师科研基础能力提升项目(项目编号:2022KY0702)。

摘　　要：数据降维是有效使用高维数据的第一步。文章分类介绍了几种具有代表性的数据降维算法,包括线性降维算法如主成分分析(PCA)和线性判别分析(LDA),以及非线性降维算法如核主成分分析(KPCA)、局部线性嵌入(LLE)、等距特征映射(Isomap)和基于自编码器的降维方法。文章重点阐述了这些降维算法的基本思想和计算方法,并分析了各自的优缺点,最后对目前降维算法研究中存在的问题进行了剖析。

关 键 词：降维 PCA LDA KPCA LLE ISOMAP 自编码器 

分 类 号：TP311[自动化与计算机技术—计算机软件与理论]