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.主成分分析要学习一个映射矩阵，其大小是d×l

B.主成分分析学习得到了l个d维大小的向量，这l个d维向量之间彼此相关

C.在主成分分析中，我们将带约束的最优化问题，通过拉格朗日乘子法将其转化为无约束最优化问题

D.每个原始数据的维数大小从d变成了l

A.逻辑斯蒂回归和线性区别分析都是直接在数据原始空间进行分类

B.以上都不正确

C.逻辑斯蒂回归可直接在数据原始空间进行分类，线性区别分析需要在降维所得空间中进行分类

D.逻辑斯蒂回归在降维所得空间中进行分类，线性区别分析在数据原始空间进行分类

A.只要保证同一类别样本尽可能靠近

B.既要保证同一类别样本尽可能靠近，也要保证不同类别样本尽可能彼此远离

C.既要保证不同类别样本尽可能靠近，也要保证同一类别样本尽可能彼此远离

D.只要保证不同类别样本尽可能彼此远离

A.在主成分分析中，所得低维数据中每一维度之间具有极大相关度

B.主成分分析可保证原始高维样本数据被投影映射后，其方差保持最大

C.在主成分分析中，将数据向方差最大方向进行投影，可使得数据所蕴含信息没有丢失，以便在后续处理过程中各个数据“彰显个性”

D.主成份分析是一种特征降维方法

A.A.0

B.B.25

C.C.50

D.D.75

E.E.100

A.特征人脸方法是一种应用主成分分析来实现人脸图像降维的方法

B.特征人脸之间的相关度要尽可能大

C.每一个特征人脸的维数与原始人脸图像的维数一样大

D.特征人脸方法是用一种称为“特征人脸(eigenface)”的特征向量按照线性组合形式来表达每一张原始人脸图像

B.在主成份分析的降维过程中，尽可能将数据向方差最大方向进行投影，使得数据所蕴含信息没有丢失，彰显个性

C.主成份分析方法是一种保证数据被投影后方差最大的特征降维方法

D.特征人脸方法是一种应用主成份分析来实现人脸图像降维的方法，其本质是用一种称为“特征人脸(eigenface)”的特征向量按照线性组合形式来表达每一张原始人脸图像，进而实现人脸识别

A.回归是一种无监督学习、分类学习是有监督学习

B.两者均是学习输入变量和输出变量之间潜在关系模型

C.在分类模型中，学习得到一个函数将输入变量映射到离散输出空间

D.在回归分析中，学习得到一个函数将输入变量映射到连续输出空间