()的目的是构造出新特征。

分类问题的评估方法包括

t-SNE(t-Distributed Stochastic Neighbor Embedding)是一种将高维的复杂数据降为二维（或三维）的算法，用于低维空间的可视化

LLE(Locally Linear Embedding)可以将以弯曲或扭曲的状态埋藏在高维空间中的结构简单地表示在低维空间中

混合高斯分布对呈椭圆形分布的数据聚类效果较好，而k-means算法对从重心开始呈圆形分布的数据聚类效果较好

混合高斯分布通过使用多个高斯分布的线性组合来实现聚类

k-means算法中确定簇的数量这个超参数时，可以使用Elbow方法

k-means算法的典型计算步骤包括

LDA(Latent Dirichlet Allocation)是一种降维算法，适用于文本建模

NMF(Non-negative Matrix Factorization)是一种降维算法，它的特点包括

LSA(Latent Semantic Analysis)是一种自然语言处理算法，通过矩阵的奇异值分解到达聚类的目的