降维算法主要分为线性降维和非线性降维两种。
线性降维方法中，主成分分析（PCA）是最基础的无监督降维算法，其目标是将原有的n个特征投影到k维空间（k<n），新的特征由原特征线性变换而来，并且这些特征两两正交，称为主成分。
非线性降维方法则包括基于核函数的非线性降维方法，如核主成分分析（KPCA）、核独立成分分析（KICA）和核判别分析（KDA）；以及基于特征值的非线性降维方法，如ISOMAP、局部线性嵌入（LLE）、拉普拉斯特征映射（LE）、局部保持投影（LPP）等。其中，t-SNE算法是一种优化后的SNE算法，通过用t分布取代SNE中的高斯分布，使得降维后的数据同类之间更加紧凑，不同类之间距离加大。
这些降维算法在机器学习和数据挖掘等领域有广泛应用，用于数据预处理、特征提取和可视化等方面。具体使用哪种降维算法，需要根据数据的特性和问题的需求来选择。