流形学习是机器学习的一种，这种方法是对数据本身特征的一种挖掘，是信号处理领域最经典的方法之一。
流形学习的本质是用低维度数据分布去解释高纬度数据，也可以把它理解成寻找一个高维数据空间到低维数据空间的映射。举个栗子，空间中有一个三维圆锥物体，一个二维世界的人想去观测这个物体，用什么样的方法呢？如果圆锥位于它的正上方，二维人只能观测到一个圆形的投影，它也无法区分这个投影是属于一个圆锥还是一个圆球。此时，我们旋转一下这个物体，让三角形部分投影到观测面上，二维人可以揣测这个物体具有一个三角形的尖端和一个弧形的底部。所有我们在流形学习中用到的方法，比如PCA， ICA，或LDA类似于旋转这个圆锥的“上帝之手”，让圆锥的特征更多的投影到二维观测面上。
PCA通过计算数据的covariance matrix寻找具有最大方差的维度向量，如果L是特征向量，PCA使得样本红点到L的距离和（sum(d’)）最小。
PCA
有时候数据的分布不是高斯分布，在非高斯分布的情况下PCA得到的维度向量可能并不是最优解，这时候不能用方差作为衡量标准，可以使用维度间的正交假设，即ICA。如下图，数据呈十字而非高斯分布，PCA得到的显然并非主轴方向，而ICA则得到正交的主轴。
非高斯分布
PCA和ICA是非监督学习，而LAD是监督学习，它需要样本分类（label）的先验信息，LAD最大程度的保存样本的分类信息，寻找对数据分割最好的分类面。
在举个例子，load mnist的部分数据集
mnist
分别用三种方法处理：
ICA
LAD
PCA
PCA对数据分类起了一定作用，但类别的边缘并不清晰；LAD对类别起到最大分割的效果；ICA对类别的分割类似LAD，但是它不需要数据的标签作为先验信息。
