python实现类内类间散度矩阵，并计算其商

python实现类内类间散度矩阵，并计算其商J

1 类内类间散度矩阵的数学定义

参考博客：https://blog.csdn.net/weixin_38313518/article/details/76623744

2 类内距离的理解

参考博客：https://blog.csdn.net/ycheng_sjtu/article/details/25343043

matlab代码理解：https://blog.csdn.net/ttxzszxy/article/details/52921101

3 python实现

import numpy as np

def compute_J(encode_images, test_y):
    """
    compute the sb、 sw  and  J .
    :param encode_images: the images after encoding
    :param test_y: the label.
    :return:trace(sw) 、 trace(sb) and J
    """

    # 获取行数row(样本数)和列数column(类别数)
    _ , n_feature = encode_images.shape
    row,column=test_y.shape

    test=np.zeros(shape=(column,100,n_feature))
    P=np.zeros(shape=(column,))
    m=np.zeros(shape=(column,n_feature))
    index=np.argmax(test_y,axis=1)
    sw=0
    #  类内散度矩阵sw+各类的均值m
    for i in range(column):
        test[i] = encode_images[index==i]
        P[i]=len(test[i])/row
        m[i]=np.mean(test[i],axis=0)
        sw=sw+P[i]*np.cov(test[i],rowvar=0)    #改成以行为独立的变量

    #   类间散度矩阵sb
    for i in range(column):
        m[i]=P[i]*m[i]              #每个类的均值乘类的比列
    #   总体的均值m0
    m0=np.sum(m,axis=0)

    sb=0
    for i in range(column):
        t1=(m[i]-m0).reshape(1,n_feature)
        t2 =(m[i]-m0).reshape(n_feature,1)
        sb=sb+P[i]*np.dot(t2,t1)

    J=np.trace(sb)/np.trace(sw)

    return  J

备注：
①因为我的模型输入和提取的特征都是一行为一个样本，所以行数代表样本数，列数表示特征数;
②标签的列数代表类别数；
③我的数据是6个种类，每个类有100个样本。

相关函数参考：
np.cov()、np.argmax()

若转载请注明出处，谢谢！