一次学科作业：LDA，朴素贝叶斯，支持向量机适用数据集特点、支持向量回归和一般回归方法的区别

1.敘述三种分类学习方法:LDA，朴素贝叶斯，支持向量机的原理和算法，三种分类方法各适合什么样的数据集？   

先说结论：LDA适合于样本固定，参数未知但不固定，是个随机变量，服从一定的分布的数据集。

朴素贝叶斯的应用主要集中在文本分类（变量类型多，且更独立），具有较高的成功率。因此被广泛应用于垃圾邮件过滤（识别垃圾邮件）和情感分析（在社交媒体平台分辨积极情绪和消极情绪的用户）。

SVM适合处理具备高维特征的数据集。

A1：线性判别分析(LDA)属于机器学习中的监督式学习方法，英文全称Linear Discriminant Analysis，简称LDA。这一方法应用广泛，尝尝被用来做特征提取、数据降维和任务分类，在人脸识别、人脸检测等领域发挥了重要的作用。

线性判别分析的核心思想是寻找到最佳的投影方法，将高维的样本投影到特征空间(feature space)，使得不同类别间的数据“距离”最大，而同一类别内的数据“距离”最小。

<