1.大多数机器学习都要将多维问题转化为低维
2.维度实际上就是影响一个实际问题的各类参或者叫特征 英文翻译就是Feature 因变量就是target
3.如何转化为低维呢？大多数问题都要涉及到，仿射变化（也就是转化为WX+B的形式 线性化）
4.分类问题（可以用 KVM 和 神经网络），根本问题就是找到一个超平面 让最近的点（这个点和参考点不是一类）最远。
5.如何仿射变化呢？以二维为例，就是要把g（x,v,n）=f(x)+w(v)+n
6.低维问题 可以通过转化函数 转化到高维
7.贝叶斯学派以统计学的角度 ，概率来认知世界，定义学习的过程。
8.高斯函数的理解二维 和高维
http://www.cnblogs.com/herenzhiming/articles/5276106.html
