lda 协方差矩阵_LDA（ Linear Discriminant Analysis）局限性与改进尝试

最新推荐文章于 2022-04-30 23:41:32 发布

江南好风光

最新推荐文章于 2022-04-30 23:41:32 发布

阅读量370

点赞数

文章标签： lda 协方差矩阵

本文链接：https://blog.csdn.net/weixin_42466331/article/details/112154971

版权

LDA在数据稀疏时预测准确率下降，可通过算法收缩规则提高性能。Python SKlearn中的LDA支持'svd'和'lsqr'等solver，shrinkage参数调整可实现矩阵收缩，增强类间差异。实验表明收缩规则有效，但shrinkage值需适当选择。此外，LDA可与PCA结合提升区分性。

摘要由CSDN通过智能技术生成

此文是由项目进行过程中的一封手记改编而来。

判别分析（Discriminant Analysis）是一种有监督的分类方法，通过一个已知类别的“训练样本”来建立判别准则，并通过预测变量来为未知类别的数据进行分类。判别分析（Discriminant Analysis）大家族有LDA、PLDA等。其中今天的主角——LDA（ Linear Discriminant Analysis）

是一种与PCA齐名的经典分类降维算法，广泛用于模式识别。

LDA使高维特征数据投影到最佳鉴别坐标系空间(new orthogonal axes)，以降低特征计算复杂性和抽取有效分类特征的效果，达到最小的类内方差和最大的类间方差，即模式在该空间中有最佳的可分离性。换句话说它在低维空间上寻找不同类别数据间的最大区分性，对诸如人脸识别、声纹识别等领域的分类问题很有帮助。