高維資料意味着需要多于兩個或三個次元來表示的資料，可能很難解釋。簡化的一種方法是假設感興趣的資料位于低維空間内。如果感興趣的資料具有足夠低的維數，則資料可以在低維空間中可視化。
下面是一些值得注意的非線性降維方法的總結。許多非線性降維方法與下面列出的線性方法有關。非線性方法可以大緻分為兩類:一類提供映射(從高維空間到低維嵌入或反之)，另一類隻是提供可視化。
https://en.wikipedia.org/wiki/Nonlinear_dimensionality_reduction
高維資料意味着需要多于兩個或三個次元來表示的資料，可能很難解釋。簡化的一種方法是假設感興趣的資料位于低維空間内。如果感興趣的資料具有足夠低的維數，則資料可以在低維空間中可視化。
下面是一些值得注意的非線性降維方法的總結。許多非線性降維方法與下面列出的線性方法有關。非線性方法可以大緻分為兩類:一類提供映射(從高維空間到低維嵌入或反之)，另一類隻是提供可視化。
https://en.wikipedia.org/wiki/Nonlinear_dimensionality_reduction
![無監督學習：鄰域嵌入方法（Neighbor Embedding）1. 流形學習 (Manifold Learning)2. 局部線性嵌入（Locally Linear Embedding，LLE）3. 拉普拉斯特征映射（Laplacian Eigenmaps）4. t分布随機鄰居嵌入（T-distributed Stochastic Neighbor Embedding，t-SNE）參考文獻[圖]](data:image/gif;base64,R0lGODlhAQABAIAAAP///wAAACwAAAAAAQABAAACAkQBADs=)