PCA和LDA
PCA（Principal Component Analysis），中文名为“主成成分分析”。顾名思义，其目的就是找到高维数据中的主成分，并利用“主成分”数据，来表征原始数据，从而达到降维的目的。借鉴一个简单的例子，假设有一组数据存在于三维空间的一个平面上（此时需要3个维度来表征数据向量），若我们选择旋转坐标轴使得数据所在平面与x,y平面重合，则此时我们只需要2个纬度即可表征数据，且没有丢失任何数据信息，这就是最简单的数据降维。
关键步骤：去中心化，方差最大化。
PCA就是寻找一个新坐标。比如有10个原数据，我也找到了一个坐标系，结果有5个点在新坐标系下，挨着很近（极端设想5个点重合了，那新坐标只有6个点，就损失了4个点信息），所以这个是不好的坐标系，最好的坐标系是旋转以后，每个点尽量散开，不要靠近，也即方差最大。
点分散的最开的方向，可以被定义为所有点在某一方向上投影至中心距离方差最大的方向。
详细的数学推理：http://blog.codinglabs.org/articles/pca-tutorial.html
LDA（Linear Discriminant Analysis），中文名为“线性判别分析”，是目前数据挖掘领域中比较经典且热门的一种有监督的算法。从降维的层面考虑，其也是在寻找一个投影矩阵，使得投影之后数据样本，同类的接近，而不同类的远离。
SWOT分析
如果外部的机会正好是你的优势，赶紧利用起来。而这个利用方法，就被称为“机会优势战略”（OS）
外部的机会但是是你的劣势，你就需要改进。那么这个改进方法，就被称为“机会劣势战略”（OW）
你具有优势但是外部存在威胁，那就需要时刻盯梢、保持警惕。而如何监视、监视哪些？就被称为“优势威胁战略”（ST）
既是威胁又是你的劣势，请及时逃离并消除。这个消除方法，就是“威胁劣势战略”（TW）
