LDA和Fisher LDA有什么区别

于 2023-01-03 16:31:43 发布
阅读量352 收藏 1
点赞数 1
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/weixin_35750953/article/details/128874031
版权
LDA是一种基于特征空间投影的分类工具，旨在最大化类别间的投影差异。FisherLDA在其基础上优化，采用Fisher准则，尤其适合多分类任务且能保持类内数据的紧密性。相对于LDA，FisherLDA提供了更优的分类性能。
摘要由CSDN通过智能技术生成

LDA(线性判别分析)是一种统计方法，用于将数据分类到若干类中。它通过在特征空间中找到一组最佳投影轴，使得各类数据在这个投影轴上的投影尽可能不同，从而达到分类的目的。

Fisher LDA是在LDA的基础上发展的，它的思想与LDA类似，但在分类时使用的是Fisher线性判别准则。Fisher LDA的优势在于能够更好地处理多分类问题，同时也能更好地保留数据的类内信息。

总的来说，LDA是一种简单的分类算法，而Fisher LDA更加复杂，分类效果更好。

ai
关注
Fisher-LDA
01-12
Fisher Linear Discriminant Analysis 英文文档 MaxWelling Department of Computer Science University of Toronto 10 King’s College Road Toronto, M5S 3G5 Canada welling@cs.toronto.edu
LDA算法（Fisher线性判别）
cocofisher的博客
12-04 640
LDA算法目的 最小化类内方差，最大化不同类中心间的距离。 LDA算法推导过程 假设： 样本共KKK类，每一类的样本个数为N1,N2,……,NkN_{1},N_{2},……,N_{k}N1​,N2​,……,Nk​。 x11,x12,……,x1N1x_{1}^{1},x_{1}^{2},……,x_{1}^{N_{1}}x11​,x12​,……,x1N1​​对应第一类 …… xK1,xK2,……,x1...
LDA(Fisher)线性判别分析
winycg的博客
10-14 1万+
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（即希望类内离散度越小越好），异类投影点尽可能远离（即希望两类的均值点之差越小越好） 两类数据点的类心分别是μ1=1∣C1∣∑x∈C1x和μ2=1∣C2∣∑x∈C2x\mu_{1}=\frac{1}{|C_{1}|}\sum_{x\in C_{1}}x和\mu_{2}=\frac{1}{|C_{...
Fisher判别分析（线性判别分析——LDA）
aks23529的博客
03-13 442
Fisher判别分析 转载于:https://www.cnblogs.com/ForTech/p/8556194.html
LDA.rar_Fisher LDA matlab_fisher_fisher LDA_fisher linear_lda
09-21
**Fisher线性判别分析（Fisher LDA）**是一种经典的统计方法，常用于高维数据的降维和分类。在机器学习和模式识别领域，它被广泛应用于特征提取和预处理步骤。Fisher LDA的目标是找到一个投影空间，使得类间距离最大...
LDA.rar_Fisher sonar iris_Iris sonar_fisher_fisher iris数据_lda
09-25
标题中的“LDA.rar_Fisher sonar iris_Iris sonar_fisher_fisher iris数据_lda”提到了几个关键概念：LDA（线性判别分析）、Fisher、sonar数据集、iris数据集以及Fisher iris数据。描述指出我们将利用Fisher线性判别...
test_lda.rar_Fisher 准则_LDA 最佳投影_lda_样本选择_类间
09-24
类间离散度和类内离散度的优化是LDA的关键，这有助于我们理解不同类别的数据在特征空间中的分布，并找到最能区分这些类别的特征组合。在实际应用中，LDA广泛应用于高维数据的降维，如图像识别、文本分类等领域，通过...
【机器学习】LDA（线性判别分析）或fisher判别分析
IPSG
12-10 2837
内容目录： 一、LDA/fisher判别分析 二、LDA判别分析与PCA对比 一、fisher判别分析 1.首先在模式识别课程上学习的是fisher判别，LDA概念是看川大同学写的500问接触的，两者是一样的东西。 2推荐：深度学习500问 github链接推荐理由：形式是问答形式，初学者概念补充。挺有意思的，饭后阅读物！ 3fisher分类标准：类间的距离越大且类内的距离越小。 4fisher目...
线性判别分析（LDA）与Fisher判别分析（FDA）降维原理
车手只需要车和手，压力来自轮胎
08-11 8854
在故障诊断中，我们常常会面对大量的且维数很高的数组，通过我们需要先对数据集进行划分及预处理，而预处理阶段极为重要的一步就是对数据进行降维特征提取，通过某种数学变换将原始高维空间转变成一个低维的子空间。 然鹅，我们常用到的基本就只有两个，一个是主成分分析（PCA），另一个则是今天所要介绍的Fisher判别分析（Fisher Discriminant Analysis，FDA）。 主成分分析的基本思想：设法将原来众多具有一定相关性（比如P个指标，即主成分），重新组合成一组新的互相无关的综合指标来代替原来的指标
【模式识别】实验一：Fisher线性判别（LDA）
兴趣使然的创作者
10-24 5277
Fisher线性判别也叫作LDA，它可用于降维也可用于分类，当维度降低成1维时，确定一个阈值，即可实现分类。和PCA相比，LDA是一种有监督的降维算法，局限性在于降低的维度必须小于样本类别数-1。LDA分类的核心思想是将样本的向量空间投射到一个一维直线上，使样本类内离散度尽可能小，类间离散度尽可能大。本实验通过sonar和Iris数据集，实现了三种不同方式的分类算法，并在sonar数据集上选取了部分特征，考察了特征数和分类精确度之间的关系。 pdf版的实验报告可以戳这：https://download.c.
fisher判别分析(LDA)，Python
PY_smallH的博客
11-25 3708
Fisher判别分析，或称为线性判别分析（Linear Discriminant Analysis，LDA）。LDA有时也被称为Fisher’s LDA。最初于1936年，提出Fisher线性判别，后来于1948年，进行改进成如今所说的LDA。 关于Fisher判别的数学原理和推到过程，这里就不多介绍，附上另外一篇文章，写的很详细。 Fisher数学推导 建议看完推导过程再回来。 这里讨论二分类。 其实我们要的就是最终的结论： 因为我们最终计算的时候，就是通过这个公式来计算，方法有两种， 第一是通过1式计
FisherLDA
weixin_30251587的博客
10-28 343
一 问题描述 • 在 UCI 数据集商的 iris 和 sonar 数据上验证算法的有效性； • 训练和测试样本有三种方式进行划分： 1）将数据随机分训练样本和测试，多次平均求结果 2）k 折交叉验证 3）留 1 法 二 解决问题的方法 ※ 总体概览和声明： 用 fisher 判别分析法训练数据并进行测试。 所用编程语言：Python 所用样本划分方法：K 折交叉验证 ...
Fisher线性判别分析（LDA）
林景的博客
09-27 3403
Fisher线性判别分析（LDA） 参考文献：【python3 Fisher线性判别分析(LDA)(含详细推导和代码）】 1. 前言 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阈值。过这个阈值点且与投影方向垂直的超平面就是两类的分类面。 Fisher线性判别分析（LDA）的思想是： 选择投影方向，使投影后两类相隔尽可能远，而且同时每一类内部的样本又尽可能聚集。 2. 基本概念 训练样本集是X={x1,...,xN}X=\{x_1,...,x_N\}X={x1
LDA（Fisher判别）
秋人别院
09-07 784
核心思想现在要找一个直线，如何将这两个类最大限度的分开，直观的如果找一个投影法相，就像下面两个图，右边的结果更好：它阐述了一个怎样的准则： 类间最大，类内最小！类内最小在一个类中来说，每一个样本要尽可能地靠近类地中心，类的中心在哪？mi=1Ni∑xj∈Xixjm_i=\frac 1 N_i \sum_{x_j \in X_i} x_j怎样表示类内最小？使用类内离散度矩阵表示：Si=∑xj∈Xi(xj
Fisher判别式（LDA）
dianhuo3832的博客
11-29 1449
Fisher判别式（LDA） 简介 上面从贝叶斯公式出发，得到了线性判别分析的公式，这里从另外一个角度来看线性判别分析，也就是常说的Fisher判别式。其实Fisher判别式就是线性判别分析（LDA），只是在讨论Fisher判别式的时候，更侧重于LDA的数据降维的能力。 在应用统计学方法解决模式识别、机器学习中的问题的时候，有一个问题总是会出现：维数问题。很多在低维空间里可以...
PCA和Fisher LDA
taoqick的专栏
11-10 340
PCA PCA主要用于没有标签的降维，想法就是把数据投影在某个方向上，使得信噪比最大，也就是投影的方差最大。 对于给定的一组数据x1,x2,...,xnx_1, x_2,...,x_nx1​,x2​,...,xn​，其中每一个都是列向量，假设投影方向的单位列向量是w，投影后的方差可以表示为 D(x)=1n∑i=1n(xiTw)2D(x)=1n∑i=1n(xiTw)T(xiTw)D(x)=wT[1n...
多元统计分析——数据降维——Fisher线性判别分析（LDA）
热门推荐
huangguohui_123的博客
05-20 1万+
一、LDA的思想 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之间的距离尽可能的大。 二、LDA vs PCA LDA用于降维，和PCA有很多相同，也有很多不同的地方，因此值得好好的比较一下两者的降维异同点。 　　　..
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