1.PCA主成分分析
主成分分析是一种降维算法，它能将多个指标转换为少数几个主成分，这些主成分是原始变量的线性组合，且彼此之间互不相关，其能反映出原始数据的大部分信息。
1.标准化处理
2.计算协方差矩阵
3.计算特征值和特征向量。
4.根据特征值的大小排序，选择最大的 k 个特征值所对应的特征向量，构成一个新的特征空间。这些特征向量称为主成分，它们定义了数据投影到的新的低维空间。
2.LDA线性判别分析
PCA：通过最大化数据的总体方差来进行降维，不考虑类别信息，因此是一种无监督降维方法。
LDA：考虑类别信息，通过最大化类间方差和最小化类内方差来进行降维，是一种监督降维方法。
LDA最多将数据降到 k−1 维，k 是类别的数量
LDA 的核心思想是通过找到一个投影方向，使得数据投影到这个方向时，不同类别的样本之间尽可能地远，而同类别样本之间尽可能地近。
LDA 实现这个目标的步骤如下：
计算类内散度矩阵：类内散度矩阵表示同一类别的数据点之间的差异
计算类间散度矩阵：类间散度矩阵反映类别中心之间的差异
求解优化问题：
数据投影：
3.Clustering聚类
步骤：
随机选择
k 个初始质心。
将每个样本分配到离它最近的质心对应的簇中。
更新每个簇的质心为该簇所有样本的平均值。
重复上述步骤，直到质心不再移动或者满足停止条件。
优点：简单易实现，计算效率高。
缺点：需要预先指定簇的数量
k，对初始质心敏感，容易陷入局部最优。
4.高斯混合模型（GMM, Gaussian Mixture Model） 和 Boosting 技术的机器学习算法
高斯混合模型（GMM）
GMM 是一种用于聚类和概率建模的算法，它假设数据来自多个不同的高斯分布。每个高斯分布代表数据集中的一个簇，而整个数据集则可以看作是由这些簇混合而成的。
模型原理：GMM 使用**期望最大化（EM）**算法来估计高斯分布的参数，即每个簇的均值、协方差和权重。EM 算法是迭代式的，分为两个步骤：
E 步骤：根据当前的参数估计每个数据点属于某个簇的概率。
M 步骤：基于 E 步骤中的概率重新估计模型的参数。
GMM 的优势是能够处理具有不同形状和大小的簇，并且允许每个簇具有不同的协方差结构。
Boosting
Boosting 是一种集成学习方法，旨在通过组合多个弱模型来提升整体模型的性能。最常用的 Boosting 方法是 AdaBoost 和 Gradient Boosting。
核心思想：Boosting 通过将多个简单的弱模型（如决策树）按顺序训练，并在每次迭代中关注前一个模型错误分类的数据点。在每次迭代中，模型会更加关注被前一次模型错分的数据点，从而逐步提高整体的预测准确性。
效果：通过反复迭代，Boosting 能够显著提高分类或回归问题的性能。
5.SVM支持向量机（SVM，Support Vector Machine）
是一种用于分类、回归和异常检测的监督学习算法，广泛应用于机器学习和数据挖掘中。SVM 通过构建一个最佳的决策边界（超平面）来将数据分成不同的类别。
SVM 的基本原理
SVM 的主要目标是找到一个能够最大化分类边界的超平面，这个边界能够将不同类别的数据点尽可能分开。SVM 会寻找一个距离两类样本点最近的“支持向量”之间的最大间隔，尽量避免数据点落入边界内。
超平面：在 SVM 中，超平面是用来分割数据空间的决策边界。对于二维数据，超平面是直线；对于三维数据，它是一个平面；在更高维度中，超平面是一个维度更高的几何体。
支持向量：这些是位于决策边界附近的数据点，它们对确定超平面的位置至关重要。只有这些点会影响分类结果，其余的数据点对决策边界没有影响。
间隔（Margin）：是指支持向量与超平面之间的距离。SVM 的目标是最大化间隔，从而让数据点尽量远离决策边界，这样能提高模型的泛化能力。
支持向量机是一种强大的监督学习算法，尤其适合于处理高维数据和复杂的分类问题。通过引入核函数，SVM 可以将非线性问题映射到高维空间进行处理，并在多种领域得到广泛应用。尽管有一定的计算复杂性，SVM 在许多分类任务中表现优异，是机器学习中的重要工具之一。
