请解释数据挖掘领域中的降维概念，并列举几种常用的降维方法。

回答思路

1. 【回答框架 1】降维是指在保持数据主要特征的前提下，通过某种变换或选择，将高维数据映射到低维空间的过程，目的是缓解维度灾难、降低计算复杂度、去除冗余特征并便于可视化。
2. 【回答框架 2】常见的降维技术分为特征选择和特征提取两类。特征选择如过滤式、包裹式、嵌入式方法，直接选取原始特征子集；特征提取如主成分分析、线性判别分析、t分布随机邻域嵌入等，通过线性或非线性变换生成新特征。
3. 【回答框架 3】主成分分析通过协方差矩阵的特征值分解找到方差最大的正交方向，适用于线性数据且不依赖标签；线性判别分析则利用类别信息最大化类间距离、最小化类内距离，适合有监督的分类场景。
4. 【回答框架 4】t分布随机邻域嵌入通过概率分布保留局部结构，适合高维数据可视化，但计算量大且结果受参数影响；自编码器属于深度学习方法，可学习非线性映射，但需要较多数据和调参。
5. 【回答框架 5】选择降维方法需结合数据规模、是否带标签、线性与非线性关系以及应用目标，如可视化常用t分布随机邻域嵌入，压缩和去噪常用主成分分析。
6. 【关键点 1】降维的核心目的是缓解维度灾难并提升模型效率。
7. 【关键点 2】主成分分析是无监督线性降维，线性判别分析是有监督线性降维。
8. 【关键点 3】t分布随机邻域嵌入适合非线性高维数据可视化。
9. 【关键点 4】特征选择保留原始特征，特征提取生成新特征。
10. 【关键点 5】降维方法选择取决于数据特性与任务目标。
11. 【易错点 1】主成分分析假设数据是线性的，对非线性结构效果有限。
12. 【易错点 2】t分布随机邻域嵌入的困惑度参数对结果影响大，需谨慎选择。
13. 【易错点 3】过度降维可能丢失重要信息，需结合解释性与模型性能评估。