特征降维的方法可以分为对整个样本集进行特征降维和针对类别之间的可分性对已经有的特征进行特征降维。（)

A.并不是一定要进行特征降维，可以自行分析生成结果，判断是否需要

B.必须要进行，否则会对分类结果造成巨大影响

C.没必要进行，特征的维度对分类结果没有影响

D.其余三个说法都不对

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.特征人脸方法是一种应用主成分分析来实现人脸图像降维的方法

B.特征人脸之间的相关度要尽可能大

C.每一个特征人脸的维数与原始人脸图像的维数一样大

D.特征人脸方法是用一种称为“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

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.降维算法

B.回归算法

C.神经网络

D.聚类算法