以下哪些是PCA算法可以解决的问题

A.对维度较小的数据进行维度扩充

B.数据维度压缩

C.对维度大于3的数据进行可视化处理

D.对特征相关性较高的数据进行降维

A.即使输入数据X各个维度上的数值相似度较高，依旧需要对其去均值

B.已知使用PCA算法压缩后的数据Y以及压缩矩阵A，但是无法大致还原压缩前的数据X

C.在使用PCA算法时，有可能陷入局部最小值，所以需要使用不同的初始化数值多次计算以获得更好的结果

D.使用PCA算法时，数据压缩后的维度M可以设置的偏小一点

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.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.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