1.原理
现在从最直观的Fisher线性判别分析(linear diseriminant analysis,LDA)开始来一些最有代表性的线性判别方法。
LDA是R. A. Fisher于1936年提出来的方法。
两类的线性判别问题可以看作是把所有样本都投影到一个方向上,然后在这个一维空间中确定一个分类的阔值。过这个國值点且与投影方向垂直的超平面就是两类的分类面。
那么,如何确定投影方向呢?
Fisher 线性判别的思想就是,选择投影方向,使投影后两类相隔尽可能远,而同时每一类内部又尽可能聚集。
2.过程
假设有N个样本,共有m类
Step1:计算各类样本均值
Step2:计算各类样本类内离散矩阵,和总类内离散矩阵
Step3:计算各类样本类间离散矩阵
Step4:求向量
定义Fisher准则函数
使得其达到最大值的是:
Step5:将X投影成Y
Step6:计算投影阈值
阈值选择有两种方案
第一种:
第二种:
Step7:根据投影阈值进行分类
3.代码
3.1准备数据
随机生成两类各50个点
3.2计算
clc;clear;
rng(100);
data1=rand(50,2);
data2=rand(50,2)+1;
plot(data1(:,1),data1(:,2),'b.');
hold on
plot(data2(:,1),data2(:,2),'r.');
m1=mean(data1);
m2=mean(data2);
S1=zeros(2);
S2=zeros(2);
for i=1:50
S1=S1+(data1(i,:)-m1)'*(data1(i,:)-m1);
S2=S2+(data2(i,:)-m1)'*(data2(i,:)-m1);
end
S_w=S1+S2;
w=S_w^(-1)*(m1-m2)';
Y1=data1*w;
Y2=data2*w;
y0=0.5*(mean(Y1)+mean(Y2));
X=zeros(50,1);
hold on
plot(Y1,X,'b.');
hold on
plot(Y2,X,'r.');
legend('第一类','第二类');
axis('equal');
axes('Position',[0.2,0.5,0.3,0.3]);
plot(Y1,X,'b.');
hold on
plot(Y2,X,'r.');
xlim([min(Y2),max(Y1)]);
annotation('arrow',[0.200357142857143 0.201785714285714],...
[0.105190476190476 0.502380952380952]);
% 创建 arrow
annotation('arrow',[0.2175 0.496071428571429],...
[0.109 0.496666666666667]);