超级会员免费看
LDA（Linear Discriminant Analysis）是一种有监督的降维技术，与PCA不同，它可以利用类别先验知识。虽然在非高斯分布样本上表现不佳且降维有限制，但当分类信息依赖于均值时，LDA效果优越。其目标是让同类样本投影点接近，异类样本远离，以最大化类间距离和最小化类内协方差。
使用LDA（Linear Discriminant Analysis）进行降维(dimention reduction)详解和实战
LDA也可被视为一种监督降维技术。不同于PCA（Principle Compoent Analysis）它是一种有监督的降维方法；
LDA模型的优缺点：
优点： 在降维过程中可以使用类别的先验知识经验，而像PCA这样的无监督学习则无法使用类别先验知识。 在样本分类信息依赖均值而不是方差的时候，比PCA之类的算法较优。
缺点： 不适合对非高斯分布样本进行降维，PCA也有这个问题。 降维最多降到类别数k-1的维数，如果我们降维的维度大于k-1，则不能使用LDA。当然目前有一些LDA的进化版算
订阅专栏 解锁全文
扫一扫
1935
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
