关于特征降维方法有线性判别分析（LDA）和主成分分析法（PCA），错误的是

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包括了K-L变换。

B.标准PCA使用了波段的相关矩阵。

C.标准PCA使用了协方差矩阵，目标是数据压缩。

D.以相关矩阵进行的PCA计算，偏重于图像分析，所产生的结果具有更好的解释性，但失去了数据压缩的优势。

A.sklearn

B.pandas

C.numpy

D.scipy

A.sklearn

B.pandas

C.numpy

D.scipy

A.JDA特征转化时，降维方法中的数据重构选择PCA来进行

B.通过PCA得到k 维特征表示后，为了减小边缘分布差异，引入最大均值差异MMD，旨在k维嵌入中计算源域数据和目标域数据样本均值之间的距离

C.JDA中，目标域中没有标签数据，不能直接建模，需利用类条件分布来近似，因此可以利用在源域数据上训练得到的基分类器应用到目标域数据，得到目标域数据的伪标签

D.在JDA中，我们的目标是同时最小化域间边缘分布和条件分布的差异

A.PCA是一种常见的属性规约方法。

B.直方图常用来做数值规约。

C.z-score是一种常见的数值规约方法。

D.抽样常用来做数值规约。

A.主成分

B.判别函数

C.因子载荷

D.方差贡献