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

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

A.LDA和PCA的共同点是，都可以将原始的样本映射到维度更低的样本空间

B.LDA是为了让映射后的样本有最好的分类性能。即LDA是一种有监督的降维方法

C.PCA是为了让映射后的样本具有最大的发散性，即PCA是一种无监督的降维方法

D.LDA和PCA都是有监督的降维方法

A.LDA和PCA的共同点是，都可以将原始的样本映射到维度更低的样本空间

B.LDA是为了让映射后的样本有最好的分类性能。即LDA是一种有监督的降维方法

C.PCA是为了让映射后的样本具有最大的发散性，即PCA是一种无监督的降维方法

D.LDA和PCA都是有监督的降维方法

A.PCA

B.LDA

C.局部线性嵌套(LLE)

D.非负矩阵分解(NMF)

A.主成分分析要学习一个映射矩阵，其大小是d×l

B.每个原始数据的维数大小从d变成了l

C.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

D.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

A.主成分分析(PCA)

B.多维尺度分析(MDS)

C.非负矩阵分解(NMF)

D.傅里叶变换