sklearn.discriminant_analysis.LinearDiscriminantAnalysis 笔记

（2018第一篇随笔）

承接上个博客，这次来读sklearn的python代码说明以及源码

/*******************************************************代码说明*************************************************************/

   

class sklearn.discriminant_analysis.LinearDiscriminantAnalysis(solver='svd', shrinkage=None, priors=None, n_components=None, store_covariance=False, tol=0.0001)

[source code]

   

• 类的参数

     

  Solver:string,可选

  有三种参数值：

  'svd':奇异值分解（默认设置）。不计算协方差矩阵，推荐在数据维数较大时使用

  'lsqr':最小平方解，可以进行shrinkage

  'eigen':特征值分解，可以进行shrinkage

     

  Shrinkage:string/float,可选

  收缩参数，有三种可能:

  None:不进行收缩（默认设置）

  'auto':根据Ledoit-Wolf lemma自动选择收缩

  0-1之间的浮点数:固定的收缩参数

  （注意收缩只在'lsqr'和'eigen'时才有效）

     

  Priors:array数组（大小为类别数），可选。类先验概率

     

  n_components:整形，可选

  维数约减的维数（<类别数-1）

     

  Store_covariance:bool,可选

  计算类协方差矩阵（默认为false），只用于'svd'的情况

     

  Tol:浮点数，可选（默认1.0e-4）

  秩估计的阈值在'svd'中

     

• 类的属性

     

  Coef_:array数组，大小为（#features）或（#classes,#features）

  （多个）权值向量

     

  Intercept:array数组，大小（#features）

  截距

     

  Covariance_:array-like? 大小（#features*#features）

  所有类的协方差矩阵

     

  Explained_variance_ratio_:array数组，大小（n_components,）

  每个选定components解释的方差比。若n_components未设定，那么所有的components组件被存储而且被解释的方差之和为1。只在'svd'or'eigen'时可用

     

  Means_:arrray-like，大小（#类别，#特征）

  类均值

     

  Priors_:array-like,大小（#类别）

  类的先验，和为1

     

  Scalings_:array-like，大小（rank秩，类别数-1）

  由类质心张成空间中特征的规模scaling?

  (Scaling of the features in the space spanned by the class centroids.)

     

  Xbar_:array-like,大小（#features）

  所有样本的均值

     

  Classes_:array-like,大小（#cl