这篇博客探讨了线性概率模型（LPM）在二分类问题中的应用，以及Fisher线性判别分析（LDA）在多分类任务中的原理和实现。LDA通过投影样本以最大化同类样本间的紧密度和异类样本间的距离。同时，文章还介绍了优化后的K-means++算法和DBSCAN聚类方法，讲解了它们在数据聚类中的作用和实际操作。
分类模型
一、二分类
- 线性概率模型（Linear Probability Model，简记LPM）
- 连接函数的取法
二、多分类
Fisher线性判别分析
详细证明和求解步骤：https://www.bilibili.com/video/av33101528/?p=3
LDA(Linear Discriminant Analysis)是一种经典的线性判别方法，又称Fisher判别分析。该方法思想比较简单:给定训练集样例，设法将样例投影到一维的直线上，使得同类样例的投影点尽可能接近和密集，异类投影点尽可能远离。
spss操作关注课件
聚类模型
K-means聚类算法
经优化后的K-means++算法：
系统聚类
关注拓展资料里的于老师PPT；excel和SPSS操作见PDF
DBscan算法
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
