下列哪些适合用来对高维数据进行降维？（)

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.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.高维性

B.规模

C.稀疏性

D.噪声和离群点

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

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.聚类分析法

B.德尔菲专家咨询法

C.判别分析法

D.主成分分析法

A.聚类分析法

B.主成分分析法

C.因子分析法

D.方差分析法