分类——LDA、QDA

最新推荐文章于 2024-07-14 13:30:06 发布

IgorW

最新推荐文章于 2024-07-14 13:30:06 发布

阅读量9.1k

点赞数 1

分类专栏：机器学习文章标签：分类-LDA

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/github_29374279/article/details/47030293

版权

本文介绍了LDA（线性判别分析）和QDA（二次判别分析）这两种分类方法。LDA假设特征服从同一高斯分布，而QDA允许每个类拥有独立的协方差矩阵。LDA适用于数据量较小的情况，QDA在数据量充足时能提供更好的分类效果，但需要估计更多参数。

摘要由CSDN通过智能技术生成

LDA（Linear Discriminant Analysis）

模型：
$P r (Y = k | X = x) = π k f k ( x ) \sum k l = 1 π l f l ( x )$ $Pr(Y=k|X=x)=\frac {\pi_k f_k(x)} {\sum_{l=1}^k \pi_l f_l(x)}$
假设：第k类的观测值来自于多元高斯分布 $\mathcal {N}(\mu_k,\Sigma )$
即：
$f k (x) = P r (X = x | Y = y)$ $f_k(x)=Pr(X=x|Y=y)$
$f (x) = 1 ( 2 π ) P / 2 | Σ | 1 / 2 e x p [- 1 2 (x - μ) - 1 Σ - 1 (x - μ)]$ $f(x)=\frac {1} {(2\pi)^{P/2} |\Sigma|^{1/2} } exp[-\frac {1} {2} (x -\mu)^{-1} \Sigma^{-1}(x-\mu)]$

2 . P表示特征的数量、 $\Sigma$ 表示协方差矩阵
当P = 1 时： f(x)

最低0.47元/天解锁文章

关注

1
点赞
踩
8

收藏

觉得还不错? 一键收藏
0
评论
分类——LDA、QDA

LDA（Linear Discriminant Analysis）模型： Pr(Y=k|X=x)=πkfk(x)∑kl=1πlfl(x)Pr(Y=k|X=x)=\frac {\pi_k f_k(x)} {\sum_{l=1}^k \pi_l f_l(x)} 假设：第k类的观测值来自于多元高斯分布N(μk,Σ)\mathcal {N}(\mu_k,\Sigma ) 即： fk(x)=Pr(X
复制链接

扫一扫

专栏目录

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。