LDA简介
LDA根据带标签的数据点,将点投影到维度更低的空间中,使得投影后的点,**按照类别进行区分,同一类别的数据点,在投影后的空间中更接近。**这时类间距离最大化并且类内距离最小
LDA的数学推导
举一个简单的例子,假设有两个样本 C 1 和 C 2 C_1和C_2 C1和C2,均值分别是 μ 1 , μ 2 \mu_1,\mu_2 μ1,μ2,投影方向为 w w w,则投影后两个样本的距离就可以表示为:PCA降维全过程文章的补充中有投影的计算
D ( C 1 , C 2 ) = ∣ ∣ w T ( μ 1 − μ 2 ) ∣ ∣ 2 ( 1 式 ) D(C_1,C_2)=||w^T(\mu_1-\mu_2)||^2 (1式) D(C1,C2)=∣∣wT(μ1−μ2)∣∣2(1式)
接着,我们需要表示出投影后样本的方差
V a r ( C 1 ′ ) = ∑ x ∈ C 1 ( w T x − w T μ 1 ) 2 ( 2 式 ) V a r ( C 2 ′ ) = ∑ x ∈ C 2 ( w T x − w T μ 2 ) 2 ( 3 式 ) Var(C_1')=\sum_{x\in C_1}(w^Tx-w^T\mu_1)^2(2式)\\ Var(C_2')=\sum_{x\in C_2}(w^Tx-w^T\mu_2)^2(3式) Var(C1′)=x∈C1∑(w