1. 什么是高维数据？
对于维度大于2的数据，便称为高维数据。
2. 该如何对这些高维数据进行处理呢？
数据降维：将高维的数据转换为 2 维度的形式，但是这样会丢失一些重要的信息。
这里主要是涉及到线性方法和非线性方法：
线性方法：
主成分分析（PCA）: 二维降一维→找方差最大方向；三维降二维→找方差最大方向+其他（即协方差）需要知道数据点每个属性的具体值。
多维尺度分析：只需要知道数据点之间距离。保证点之间的距离的一致性。
非线性方法：
等度量映射
局部线性嵌入
3. 在对数据进行降维后，如何对高维数据进行可视化呢？
使用散点图矩阵，表示出属性之间的相互关系。使用平行坐标轴（每个轴对应一个属性；一条折线代表一个数据。）
还有基于图标的方法（用图标表达多元数据对象；不同图标元素表示不同属性；星形图、切尔诺夫脸谱图。）
像素图（能充分利用屏幕空间；每个像素点都表示数据点；利用密集、不同颜色像素表示数据）可以展示不同类别不断细分下的分布规律，但是不能把详细的数据点可视化出来。