在数据分析场景下，当面临高维数据时，通常会采用哪些处理策略？请列举并说明几种常见的降维方法及其适用场景。

回答思路

1. 【回答框架 1】高维数据主要问题包括维度灾难、计算成本高、过拟合风险以及可视化困难，需要先明确处理目标是保留信息、可解释性还是计算效率。
2. 【回答框架 2】降维方法分为特征选择和特征提取两类：特征选择直接筛选原始特征子集，如过滤法、包裹法、嵌入法；特征提取通过变换生成新特征，如主成分分析PCA、线性判别分析LDA、t-SNE、UMAP等。
3. 【回答框架 3】PCA通过线性变换将数据投影到方差最大的正交方向上，保留全局结构，适合方差主导且无监督的场景；LDA利用类别信息寻找区分度最大的投影方向，属于监督方法。
4. 【回答框架 4】非线性方法是t-SNE和UMAP，它们擅长保留局部和流形结构，主要用于可视化而非建模前的预处理；自动编码器可通过神经网络学习低维表示，适合复杂非线性数据。
5. 【回答框架 5】实际应用中需结合数据规模、任务类型和可解释性需求选择方法，并通过降维后模型性能或信息保留率评估效果。
6. 【关键点 1】特征选择与特征提取是两大基本降维思路，前者保留原特征语义，后者生成新特征。
7. 【关键点 2】PCA适用于方差主导的无监督线性降维，LDA利用标签信息进行监督降维。
8. 【关键点 3】t-SNE和UMAP主要用于数据可视化，不适合作为建模前的数据变换。
9. 【关键点 4】降维可以缓解维度灾难、降低过拟合风险，但可能丢失细节信息。
10. 【关键点 5】方法选择需综合考虑数据量、维度数、任务目标和计算资源。
11. 【易错点 1】忽略标准化直接进行PCA，会导致方差大的特征主导结果。
12. 【易错点 2】将t-SNE或UMAP作为通用特征工程手段用于模型训练，容易引入随机性并丢失全局结构。
13. 【易错点 3】盲目追求低维度而忽视信息保留，可能导致欠拟合或丧失关键判别信息。