线性区别分析（linear discriminant analysis，LDA)在进行数据降维时，原始高维数据被映射到低维空间中后需要达到的优化的目标是（)。

A.逻辑斯蒂回归和线性区别分析都是直接在数据原始空间进行分类

B.以上都不正确

C.逻辑斯蒂回归可直接在数据原始空间进行分类，线性区别分析需要在降维所得空间中进行分类

D.逻辑斯蒂回归在降维所得空间中进行分类，线性区别分析在数据原始空间进行分类

A.PCA和LDA均是基于监督学习的降维方法

B.假设原始数据一共有K个类别，那么LDA所得数据的降维维度小于或等于K−1

C.LDA降维后所得到维度是与数据样本的类别个数K有关(与数据本身维度无关)

D.PCA对高维数据降维后的维数是与原始数据特征维度相关(与数据类别标签无关)

A.在主成分分析中，所得低维数据中每一维度之间具有极大相关度

B.主成分分析可保证原始高维样本数据被投影映射后，其方差保持最大

C.在主成分分析中，将数据向方差最大方向进行投影，可使得数据所蕴含信息没有丢失，以便在后续处理过程中各个数据“彰显个性”

D.主成份分析是一种特征降维方法

A.高维数据只能表达键值对数据

B.“键值对”是高维数据的主要特征

C.高维数据用来表达索引和数据之间的关系

D.高维数据可用于表达一二维数据

B.在主成份分析的降维过程中，尽可能将数据向方差最大方向进行投影，使得数据所蕴含信息没有丢失，彰显个性

C.主成份分析方法是一种保证数据被投影后方差最大的特征降维方法

D.特征人脸方法是一种应用主成份分析来实现人脸图像降维的方法，其本质是用一种称为“特征人脸(eigenface)”的特征向量按照线性组合形式来表达每一张原始人脸图像，进而实现人脸识别

A.对比思维

B.降维、增维思维

C.假设思维

D.拆分思维

A.降维算法

B.回归算法

C.神经网络

D.聚类算法

A.运维设备-运维系统数据-BIM模型数据-终端设备

B.运维系统数据-运维设备-BIM模型数据-终端设备

C.运维系统数据-BIM模型数据-运维设备-终端设备

D.运维系统数据-BIM模型数据-终端设备-运维设备