本文介绍了LDA（线性判别分析），它是一种寻找最佳投影方向以最大化类间距离和最小化类内方差的监督学习方法。LDA与PCA的主要区别在于，PCA关注最小重构误差，而LDA侧重于最大化类别间的区分度。虽然LDA对数据分布做出了一些假设，但在实际应用中表现出较好的效果，尤其适用于有类别信息的数据降维。
提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档
文章目录
前言
线性判别分析（LDA）是一种有监督学习算法，同时经常被用来对数据进行降维。 它是1936年发明的，有些资料上也称之为Fisher LDA。LDA是目前机器学习、数据挖掘邻域中经典且热门的一种算法。提示：以下是本篇文章正文内容，下面案例可供参考
一、LDA是什么？
线性判别式分析，又称为Fisher线性判别。
找一个投影方向，使得把原来的类别投影到新的方向上，变成新的样本点，还能把它区分开。
准则：最大化类间均值，最小化类内方差
方差：方差小则样本不分散，更紧密。
不同类别间距离要大
二、公式推导
麻烦大家转一下手机，嘻嘻.
最低0.47元/天 解锁文章
14万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
