# PCA 与 LDA

## 元数据

- 书名：百面机器学习：算法工程师带你去面试
- 作者：葫芦娃
- 章节：第 4 章 降维
- 页码线索：074-086
- 目标岗位：AI PM / LLM 产品 / 算法工程师面试
- 优先级：P1
- 标签：dimensionality-reduction, pca, lda

## 面试问题

PCA 和 LDA 的区别是什么？

## 30 秒回答

PCA 是无监督降维，寻找保留最大方差的方向；LDA 是有监督降维，寻找类间分离大、类内方差小的方向。PCA 关注数据重构，LDA 关注分类可分性。

## 展开要点

- PCA 不使用标签，适合压缩、去噪、可视化。
- LDA 使用类别标签，适合分类前的监督降维。
- PCA 的主成分未必对分类最有帮助。
- 降维会损失信息，要用下游任务验证效果。

## 高频追问

- 为什么最大方差不等于最好分类？
- PCA 如何解释特征共线性？
- 降维后如何评估信息损失？

## 项目映射

- 用户画像压缩、embedding 可视化、特征去冗余。
- 把高维行为特征降维后用于聚类或分群。

## AI PM 迁移

AI PM 可用降维理解 embedding 空间可视化和用户/文档聚类，但不能把可视化当结论。

## 备注

本卡为面试复习用的概念重构和答题框架，不保存原书正文。