• PCA 和 truncate SVD 差别不大，因为它们基于相同的理论，即丢弃特征值较小的特征向量。正如这里提到的区别：

TruncatedSVD 与 PCA 非常相似，但不同之处在于它直接作用于样本矩阵而不是协方差矩阵。当从特征值中减去 的列（每个特征）均值时，结果矩阵上的截断 SVD 等效于 PCA。实际上，这意味着 TruncatedSVD 转换器接受 scipy.sparse 矩阵而不需要对其进行增密，因为即使对于中等大小的文档集合，增密也可能会填满内存。

• T-SNE 试图通过考虑样本的邻居来找到数据的底层结构。当数据结构是流形时，通过对相邻点进行优先级排序会带来优势。
• 此处描述了一种使用雷达图来理解图形集群含义的方法。从我的角度来看，我想说的是

1. 预测标签欺诈/非欺诈的信息不在结构流形上
2. 样本似乎是线性分离的，并且主要信息仅由两个特征给出。如果需要，您可以检查仅保留两个特征时保留了多少特征值能量