降维（PCA 和LDA）

####降维：
'''
当特征选择完成后，可以直接训练模型了，但是可能由于特征矩阵过大，
导致计算量大，训练时间长的问题，
因此降低特征矩阵维度也是必不可少的。
常见的降维方法除了以上提到的基于L1惩罚项的模型以外，
另外还有主成分分析法（PCA）和线性判别分析（LDA），
线性判别分析本身也是一个分类模型。
PCA和LDA有很多的相似点，其本质是要将原始的样本映射到维度更低的样本空间中，
但是PCA和LDA的映射目标不一样：PCA是为了让映射后的样本具有最大的发散性；
而LDA是为了让映射后的样本有最好的分类性能。
所以说PCA是一种无监督的降维方法，而LDA是一种有监督的降维方法。
 
'''
1.主成分分析法（PCA）
   使用decomposition库的PCA类选择特征的代码如下：
   from sklearn.decomposition import PCA
   #主成分分析法，返回降维后的数据
   #参数n_components为主成分数目
   PCA(n_components=2).fit_transform(iris.data)
    
    
2.线性判别分析法（LDA）
   使用lda库的LDA类选择特征的代码如下：
   from sklearn.lda import LDA
   #线性判别分析法，返回降维后的数据
   #参数n_components为降维后的维数
   LDA(n_components=2).fit_transform(iris.data, iris.target)
 
3.回顾：
库                 类            说明
decomposition        PCA            主成分分析法
lda                LDA            线性判别分析法