假设样本数大于维数，利用PCA技术，可以把N维数据降到：
举一反三
- LDA(线性区别分析)与PCA（主成分分析）均是降维的方法，下面描述不正确的是（ ） A: PCA对高维数据降维后的维数是与原始数据特征维度相关（与数据类别标签无关） B: LDA降维后所得到维度是与数据样本的类别个数K有关（与数据本身维度无关） C: 假设原始数据一共有K个类别，那么LDA所得数据的降维维度小于或等于K−1 D: PCA和LDA均是基于监督学习的降维方法
- LDA降维和PCA降维的不同之处包括（ ）。 A: LDA降维最多降到k-1维，而PCA没有这个限制 B: LDA除了可以用于降维，还可以用于分类 C: LDA选择分类性能最好的投影方向，而PCA选择样本点投影具有最大方差的方向 D: 两者在降维时特征分解的思想不同 E: LDA是有监督的降维方法，而PCA是无监督的降维方法
- 假设我们有一组样本数据，分为两个类别，且每个样本都由n维特征表示，那么：（
- 掌握PCA的数据降维方法
- 统计学中数据量一般_______数据维数。大数据中数据量_______数据维数。因此在大数据处理中需要进行______。 A: 大于，小于，稀疏建模 B: 大于，小于，降维处理 C: 小于，大于，降维处理 D: 小于，大于，稀疏建模