LDA 线性判别分析

最新推荐文章于 2022-03-14 18:14:34 发布
最新推荐文章于 2022-03-14 18:14:34 发布
阅读量667 收藏
点赞数
分类专栏： 机器学习 文章标签： LDA 线性判别分析
小方哥哥
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
LDA线性判别分析.ipynb
03-04
本代码提供了基于python sklearn库的LDA线性判别分析算法： 1.利用伪随机数生成测试数据，无需添加新样本 2.较详细地介绍了库函数各参数的含义
线性判别分析LDA计算例题详解
Infinity_and_beyond的博客
05-05 1921
线性判别分析的核心思想是：将给定训练集投影到特征空间的一个超平面上，并设法使同类样本投影点尽可能接近，异类样本投影点尽可能远离由于做题时针对的是解题过程，因此原理相关方面省略，具体可参考👉。
LDA线性判别分析案例实战
husky66的博客
12-31 3061
LDA是线性判别分析的简称，该方法是一种线性学习方法，常用于分类。 本文主要思路： 1、二分类LDA原理 2、二分类LDA如何用python实现 3、二分类LDA案例实战 4、多分类LDA原理 5、二分类LDA原理 6、二分类LDA如何用python实现 7、二分类LDA案例实战 1、二分类LDA原理 讲解之前先了解一下向量的知识： 如下图所示设向量AB是单位向量，AC是任意向量，向量AC到向量AB的投影为|AC|cosx=ABAC 如下图所示（该图来源于周志华 机器学习的西瓜书，如有侵权，联系删除），对
【机器学习】LDA线性判别分析原理及实例
热门推荐
brucewong0516的博客
12-01 1万+
LDA线性判别分析也是一种经典的降维方法，LDA是一种监督学习的降维技术，也就是说它的数据集的每个样本是有类别输出的。这点和PCA不同。PCA是不考虑样本类别输出的无监督降维技术。LDA的思想可以用一句话概括，就是投影后类内方差最小，类间方差最大。什么意思呢？ 我们要将数据在低维度上进行投影，投影后希望每一种类别数据的投影点尽可能的接近，而不同类别的数据的类别中心。
降维算法-LDA线性判别分析实例
WHYbeHERE的博客
07-30 3620
- 线性判别分析LDA的基本概念 - 代码实例：第一部分使用python详细说明了LDA的计算过程； 第二部分记录了如何使用sklearn完成LDA。
LDA(线性判别分析(普通法))详解 —— matlab
PY洋洋
03-14 1万+
前言 正题 1.LDA的思想 2. 瑞利商（Rayleigh quotient）与广义瑞利商（genralized Rayleigh quotient） 3. 二类LDA原理 4.多类LDA原理 5.LDA算法流程 二类LDA matlab举例： 1.读取数据集 2.分离数据集 3.求解w 4.输出降维后的数据集
python-for-data-mining-master_LDA线性判别分析红酒数据_
10-01
DA线性判别分析（Linear Discriminant Analysis）也是一种特征提取、数据压缩技术。在模型训练时候进行LDA数据处理可以提高计算效率以及避免过拟合。它是一种有监督学习算法。
lda线性判别分析分类_lda_分类器_线性判别分析_
09-30
lda 线性判别分析 分类器，基于不同镜头的电影分类
线性判别分析LDA算法代码
03-17
经典监督式学习降维方法线性判别分析LDA算法的MATLAB代码，具有降维性能好的特点，同时可以用于分类，是一种具有代表性的降维算法
LDA线性判别分析.rar
03-17
LDA 线性判别 算法原理及代码
LDA-线性判别分析
12-06
将高维的模式样本投影到最佳鉴别矢量空间，以达到抽取分类信息和压缩特征空间维数的效果，投影后保证模式样本在新的子空间有最大的类间距离和最小的类内距离，即模式在该空间中有最佳的可分离性，与PCA区别：LDA考虑分类标签，属于有监督分类。 (Linear discriminant analysis (LDA) is a generalization of Fisher s linear discriminant, a method used in statistics, pattern recognition and machine learning to find a linear combination of features that characterizes or separates two or more classes of objects or events. The resulting combination may be used as a linear classifier, or, more commonly, for dimensionality reduction before later classification.)
LDA线性判别分析人脸识别MATLAB代码/ORL库
05-11
原创，测试识别率0.99，重构图像完全比不上PCA，但能满足分类要求。可下载后直接运行，并保存特征向量数据
费雪LDA线性判别分析的基本原理
11-28
本文通过数学的推理验证了LDA的分类准则，通俗易懂，比网络上的好多了
线性判别分析(LDA)入门
09-26
线性判别分析(LDA)的入门资料，给出了详细的推导过程。
Fisher_lda_线性判别分析_
10-02
线性判别分析（LDA）：将高维的样本投影到最佳鉴别矢量空间，来达到抽取分类信息和压缩特种空间维数的效果，投影后保证样本在新的子空间有最大的类间距离和最小的类内距离。
线性判别分析，LDA的matlab函数
10-31
此为LDA(线性判别分系的matlab代码)有兴趣的可以下，共同学习啊。还是免费的好，大家可以交流一下。
Fisher算法线性判别分析python实现
04-01
Fisher算法python实现含训练集和测试集，Fisher算法也叫Fisher判别分析，或线性判别分析（LDA）
线性判别分析LDA.m
07-02
西瓜书 lda（matlab）代码，数据集3.0
Python实现线性判别分析(LDA)的MATLAB方式
09-18
今天小编大家分享一篇Python实现线性判别分析(LDA)的MATLAB方式，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
lda线性判别分析例题
最新发布
09-04
当然，我可以为您提供一个LDA（线性判别分析）的例题。假设我们有一组二维数据，其中包含两个类别。我们的目标是通过LDA找到一个投影方向，将数据映射到一维空间上，使得不同类别之间的距离最大化，同一类别内部的样本距离最小化。 假设我们有以下两个类别的样本数据： 类别1：(1, 2), (2, 3), (3, 3) 类别2：(2, 1), (3, 2), (4, 1) 首先，我们需要计算每个类别的均值向量。对于类别1，均值向量为： μ1 = ( (1+2+3)/3, (2+3+3)/3 ) = (2, 2.67) 对于类别2，均值向量为： μ2 = ( (2+3+4)/3, (1+2+1)/3 ) = (3, 1.33) 然后，我们计算类内散度矩阵Sw。类内散度矩阵的计算方式是每个类别内部样本与其均值向量之间的差异的协方差矩阵的和。 对于类别1，计算协方差矩阵为： S1 = ((1-2)^2 + (2-2.67)^2 + (3-2.67)^2)/3 = 0.89 对于类别2，计算协方差矩阵为： S2 = ((2-3)^2 + (3-1.＊＊＊均值向量之间差异的协方差矩阵。 Sb = ((2-3)^2 + (2.67-1.33)^2)/2 = 1.56 接下来，我们需要计算投影方向的向量w。我们需要最大化类间散度矩阵Sb，并最小化类内散度矩阵Sw。 通过计算特征值和特征向量，我们可以得到投影方向的向量w。在这个例子中，由于是二维数据，投影方向是一维的。 假设w = (w1, w2)是投影方向的向量，其中w1是x轴方向的分量，w2是y轴方向的分量。 由于投影方向是一维的，所以我们可以假设w2 = 0，那么我们只需要找到w1即可。 通过计算Sw^-1 * Sb的特征值和特征向量，我们可以得到w1。 最后，我们可以将数据样本在投影方向上进行投影，并根据投影的结果来进行分类。 这就是一个简单的LDA线性判别分析的例题。希望可以帮助到您！

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
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。

余额充值