LDA（线性判别分析）的原理详解及Python代码示例

Sirius小狼

已于 2022-06-30 13:54:15 修改

阅读量4.3k

点赞数 2

分类专栏：迁移学习文章标签： python

于 2019-09-09 22:15:33 首次发布

本文链接：https://blog.csdn.net/weixin_41824716/article/details/100677253

版权

迁移学习专栏收录该内容

3 篇文章 0 订阅

订阅专栏

线性判别分析（Linear Discriminant Analysis, 以下简称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。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”，即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。

符号解释：

	有个类
	第类的样本数
	所有类的样本总数
$X_k\in Class_i$	第类的第个样本
	第类的均值矩阵
	所有类的均值矩阵
	类间散度矩阵
	类内散度矩阵
	由d个最大的特征向量组成的投影矩阵
	降维后的新样本

算法步骤：

1、求出类间散度矩阵；

$S_w=\sum_{i=1}^{C}{\frac{1}{m}}{\sum_{X_{k}\in CLASS_{i}}(X_k-U_i)(X_k-U_i)^T}$

2、求出类内散度矩阵；

$P(i)=\frac{n_i}{m}$

$S_b=\sum_{i=1}^{C}{P(i)(U_i-U)(U_i-U)^T}$

3、求出矩阵 $S_w^{-1}S_b$ ；

4、求出 $Sw$^{-1}$Sb$ 的最大的d个特征值和对应的d个特征向量，由该d个特征向量组成投影矩阵；

5、对样本集的每一个样本 $X$_i$$ ，转化为新的样本 Z$_i$=W$^T$X$_i$ ；

6、得到输出样本集；

结果：

Python代码示例：

#encoding:GBK
"""
Created on 2019/09/09 10:23:46

@author: Sirius_xuan
"""

import numpy as np
import matplotlib.pyplot as plt

# Sq1	合格样本
# Sq2	不合格样本
# Uq1	合格样本的均值
# Uq2	不合格样本的均值
# Uall	所有样本的均值
# Sb	类内散度矩阵
# Sw	类间散度矩阵
# L	特征值
# V	特征向量
# v	前k个最大的几个特征向量



fig,ax=plt.subplots(1,2,figsize=(10,6))
fig.suptitle("LDA",fontsize=20)
ax[0].set_title('Before Dimension Reduction')
ax[1].set_title('After Dimension Reduction')

#合格样本
Sq1 =	[
		[2.9500,	6.6300],

		[2.5300,	7.7900],

		[3.5700,	5.6500],

		[3.1600,	5.4700]
           
#不合格样本		
Sq2 =	[
		[2.5800,	4.4600],

		[2.1600,	6.2200], 

		[3.2700,	3.5200]
	]
Sq1	=	np.array(Sq1)
Sq2	=	np.array(Sq2)
ax[0].scatter(Sq1[:,0], Sq1[:,1], label='qualified')
ax[0].scatter(Sq2[:,0], Sq2[:,1], label='unqualified')


#n为该i类的样本数；
#(1/n)  ∑       (Xk)
#     k∈CLASSi
Uq1 	=	np.mean(Sq1,axis=0)
print ("合格样本均值：\n"+str(Uq1)+"\n")
ax[0].scatter(Uq1[0], Uq1[1], marker="v", label='U_qualified')

Uq2 	=	np.mean(Sq2,axis=0)
print ("不合格样本均值：\n"+str(Uq2)+"\n")
ax[0].scatter(Uq2[0], Uq2[1], marker="^", label='U_unqualified')


#m为所有样本的数目；
#(1/m)  ∑       (Xk)
#     k∈CLASSi
Uall 	=	np.mean(np.vstack((Sq1,Sq2)),axis=0)
print ("总体均值：\n"+str(Uall)+"\n")
ax[0].scatter(Uall[0], Uall[1] , marker="s", label='U_all')


#有c个类，Ui为对应类样本的均值，U为所有样本的总均值；
#   c
#	∑ (1/m)(Xi-Ui)(Xi-Ui)^T
#  i=1
Sb1 = (4.0/7.0)*np.dot((np.mat(Uq1-Uall).T),np.array(Uq1-Uall).reshape(1,2))
Sb2 = (3.0/7.0)*np.dot((np.mat(Uq2-Uall).T),np.array(Uq2-Uall).reshape(1,2))
Sb = Sb1 + Sb2
print ("类间离散矩阵：\n"+str(Sb)+"\n")

#Xk为i类的某个样本；
# c
# ∑ (1/m)   ∑       (Xk-Ui)(Xk  -Ui)^T
#i=1     Xk∈CLASSi
Sw1 = np.zeros((2,2))
for i in range(0,len(Sq1)):
	Sw1 = np.dot(np.mat(Sq1[i]-Uq1).T, np.array(Sq1[i]-Uq1).reshape(1,2)) + Sw1
Sw2 = np.zeros((2,2))
for i in range(0,len(Sq2)):
	Sw2 = np.dot(np.mat(Sq2[i]-Uq2).T, np.array(Sq2[i]-Uq2).reshape(1,2)) + Sw2
Sw = (Sw1+Sw2)/7.0
print ("类内离散矩阵：\n"+str(Sw)+"\n")

#Sw^(-1)Sb
L,V = np.linalg.eig(np.dot(np.mat(Sw).I,Sb)) 
print ("特征值：\n"+str(L)+"\n")
print ("特征向量：\n"+str(V)+"\n")

k=1
v=V[:,k]
print ("最大特征值对应的特征向量：\n"+str(v)+"\n")      
     
                          
New_Sq1 = np.array(np.dot(Sq1,v))
print ("合格样本投影后的样本值：\n"+str(New_Sq1)+"\n")
ax[1].scatter(New_Sq1,np.ones(len(New_Sq1)),marker="p", label='qualified')

New_Sq2 = np.array(np.dot(Sq2,v))
print ("不合格样本投影后的样本值：\n"+str(New_Sq2)+"\n")
ax[1].scatter(New_Sq2,np.ones(len(New_Sq2)),marker="p", label='unqualified')


'''
#数据标注；
ax[0].annotate("qualified",xy = (Sq1[0][0],Sq1[0][1]), xytext = (Sq1[0][0]+0.2,Sq1[0][1]+0.2),\
             arrowprops = dict(color='r',arrowstyle = "->"))
ax[0].annotate("qualified",xy = (Sq2[0][0],Sq2[0][1]), xytext = (Sq2[0][0]+0.2,Sq2[0][1]-0.2),\
             arrowprops = dict(color='r',arrowstyle = "->"))
ax[0].annotate("U_qualified", xy = (Uq1[0], Uq1[1]), xytext = (Uq1[0]+0.2, Uq1[1]+0.2),\
             arrowprops = dict(color='r',arrowstyle = "->"))
ax[0].annotate("U_unqualified", xy = (Uq2[0], Uq2[1]), xytext = (Uq2[0]+0.2, Uq2[1]-0.2),\
			 arrowprops = dict(color='r',arrowstyle = "->"))
ax[0].annotate("U_all", xy = (Uall[0], Uall[1]), xytext = (Uall[0]+0.2, Uall[1]),\
             arrowprops = dict(color='r',arrowstyle = "->"))
ax[1].annotate("qualified", xy = (New_Sq1[0], 1), xytext = (New_Sq1[0], 1+0.002),\
			 arrowprops = dict(color='r',arrowstyle = "->"))
ax[1].annotate("unqualified", xy = (New_Sq2[0], 1), xytext = (New_Sq2[0], 1+0.002),\
             arrowprops = dict(color='r',arrowstyle = "->"))
'''

ax[0].legend()
ax[1].legend()
plt.show()

Sirius小狼

关注

2
点赞
踩
26

收藏

觉得还不错? 一键收藏
1
评论
LDA（线性判别分析）的原理详解及Python代码示例

线性判别分析（Linear Discriminant Analysis, 以下简称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。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”，即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。符号解释： ......
复制链接

扫一扫

专栏目录