假设原始数据个数为n，原始数据维数为d，降维后的维数为l，下面对主成分分析算法描述不正确的是（)。

A.PCA和LDA均是基于监督学习的降维方法

B.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

C.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)

D.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)

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

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.主成分分析中每个主成分相应的系数唯一，而因子分析中每个因子相应的系数不唯一

B.B.主成分分析可以处理降维，而因子分析不可以

C.C.因子分析可以处理降维，而主成分分析不可以

D.D.主成分分析中每个主成分相应的系数不唯一，而因子分析中每个因子相应的系数唯一

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.保证映射投影(即降维后)所得结果相关度最大以及投影后结果方差最大

B.保证映射投影方向之间的方差最大以及投影方向正交(以去除冗余度)

C.保证映射投影(即降维后)所得结果方差最大以及投影方向正交(以去除冗余度)

D.保证映射投影(即降维后)所得结果冗余度最小以及投影后结果方差最大

A.LASSO

B.主成分分析法

C.特征选择

D.聚类分析

A.A.通过因子负荷的结果，弄清原始变量间的某些关系

B.B.通过主成分分析法构造回归模型

C.C.对样本进行分类

D.D.降低所研究的数据空间的维数