流形学习的基本假设是某些高维数据，实际是一种低维的流形结构嵌入在高维空间当中。流形学习的目的是将其映射回低维空间，以便于更清楚地解释其本质。
流形学习主要是一种非线性的降维方法，一个比较好的类比是，3维到2维的转变过程可以看做是一张蜷曲的布展平的过程，
整个过程保证了3维空间中的拓扑关系。
主要方法有
t-SNE(state-of-the-art) LLE、ISOMAP、LE、LPP、HLLE、LTSA、MDS、PCA
流形学习包括线性学习和非线性学习，例如PCA就是著名的线性学习方法，ISOMAP就是非线性的。。
manifold.png
http://blog.csdn.net/zhulingchen/article/details/2123129
http://blog.sina.com.cn/s/blog_594168770102wbsn.html
