【机器学习】监督学习算法之: 线性判别分析(LDA)

线性判别分析

1、引言

小屌丝 :鱼哥,啥是LDA
小鱼 :LDA,我无法回答
小屌丝 :为啥这么说?
小鱼 :你也不说什么缩写,我怎么说?
小屌丝 :就是 L-D-A 啊
小鱼 :... 我来问吧,你说的是线性判别分析,还是 潜在狄利克雷分配
小屌丝 :额... 这个... 我还真不知道唉
小鱼 :... 你是想了解 监督学习 还是 文本主题生成模型
小屌丝 :额... 先了解 监督学习的LDA吧,文本主题生成模型可以稍后雪.

小鱼 :你别再说了
小屌丝 : 为啥?
小鱼 :我这是给自己挖坑啊。
小屌丝 :为啥?
小鱼 :你还能说点别的吗?
小屌丝 :这个可以啊,但是为啥?
小鱼 : ... 算了算了, 忍住忍住,不生气,不生气。
小屌丝 :为啥?

小鱼 :我还是悄悄写一点 线性判别分析(LDA)吧
小屌丝:嗯嗯,这个可以。

2、线性判别分析

2.1 定义

LDA是一种监督学习的降维技术,其目标是找到一种投影方式,使得同类样本的投影点尽可能接近,而异类样本的投影点尽可能远离。

通过降低数据的维度,LDA能够在保留数据主要特征的同时,减少计算复杂度,提高分类性能。

2.2 原理

LDA的原理基于样本的类别信息,通过最大化类间差异和最小化类内差异来找到最佳的投影方向。

具体而言,LDA试图找到一个投影方向,使得投影后同类样本的方差最小(即类内距离最小),而不同类样本的均值差异最大(即类间距离最大)。

这样,投影后的数据在保持类别信息的同时,实现了数据的降维和简化。

2.3 算法公式

LDA的算法公式主要涉及

  • 计算类内离散度矩阵Sw
  • 类间离散度矩阵Sb
  • 投影方向向量W

通过最大化Fisher准则函数J(W),即最大化类间距离与类内距离的比值,来求解投影方向W。具体公式如下:

  • 类内离散度矩阵Sw :表示同类样本之间的离散程度,计算公式为 S w = Σ i Σ x ∈ X i ( x − m i ) ′ ( x − m i ) Sw = Σi Σx∈Xi (x-mi)'(x-mi) Sw=ΣiΣx∈Xi(x−mi)′(x−mi),其中 X i Xi Xi表示第 i i i类样本的集合, m i mi mi表示第i类样本的均值。
  • 类间离散度矩阵Sb :表示不同类样本之间的离散程度,计算公式为 S b = Σ i N i ( m i − m ) ′ ( m i − m ) Sb = Σi Ni(mi-m)'(mi-m) Sb=ΣiNi(mi−m)′(mi−m),其中 N i Ni Ni表示第 i i i类样本的数量, m m m表示所有样本的均值。
  • Fisher准则函数J(W) :定义为 J ( W ) = ( W ′ S b W ) / ( W ′ S w W ) J(W) = (W'SbW) / (W'SwW) J(W)=(W′SbW)/(W′SwW),其中W为投影方向向量。LDA的目标就是求解使 J ( W ) J(W) J(W)最大化的 W W W。

2.4 代码示例

代码实战

python 复制代码
# -*- coding:utf-8 -*-
# @Time   : 2024-03-21
# @Author : Carl_DJ

'''
实现功能:
    使用sklearn库中的LDA实现LDA分类器

'''
from sklearn.discriminant_analysis import LinearDiscriminantAnalysis as LDA  
from sklearn.datasets import load_iris  
from sklearn.model_selection import train_test_split  
from sklearn.metrics import accuracy_score  
  
# 加载鸢尾花数据集  
iris = load_iris()  
X = iris.data  
y = iris.target  
  
# 划分训练集和测试集  
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)  
  
# 创建LDA分类器  
lda = LDA(n_components=2)  
  
# 训练LDA分类器  
lda.fit(X_train, y_train)  
  
# 使用LDA分类器进行预测  
y_pred = lda.predict(X_test)  
  
# 计算预测准确率  
accuracy = accuracy_score(y_test, y_pred)  
print(f"Accuracy: {accuracy:.2f}")

解析

  • 首先加载了鸢尾花数据集,并将其划分为训练集和测试集。
  • 然后,创建了一个LDA分类器,并使用训练集对其进行训练。
  • 最后,我们使用测试集对LDA分类器进行评估,并输出预测准确率。

3、总结

LDA作为一种经典的线性学习方法,在深度学习中具有广泛的应用。

它通过最大化类间差异和最小化类内差异,实现了数据的降维和简化,提高了分类性能。

LDA不仅适用于传统的机器学习问题,还可以与深度学习模型相结合,增强模型的分类能力。

通过深入理解LDA的原理和算法公式,我们可以更好地应用这一强大算法来解决实际问题。

我是小鱼

  • CSDN 博客专家
  • 阿里云 专家博主
  • 51CTO博客专家
  • 企业认证金牌面试官
  • 多个名企认证&特邀讲师等
  • 名企签约职场面试培训、职场规划师
  • 多个国内主流技术社区的认证专家博主
  • 多款主流产品(阿里云等)测评一、二等奖获得者

关注小鱼 ,学习机器学习领域的知识。

相关推荐
美狐美颜sdk2 小时前
跨平台直播美颜SDK集成实录:Android/iOS如何适配贴纸功能
android·人工智能·ios·架构·音视频·美颜sdk·第三方美颜sdk
DeepSeek-大模型系统教程2 小时前
推荐 7 个本周 yyds 的 GitHub 项目。
人工智能·ai·语言模型·大模型·github·ai大模型·大模型学习
郭庆汝2 小时前
pytorch、torchvision与python版本对应关系
人工智能·pytorch·python
IT古董2 小时前
【第二章:机器学习与神经网络概述】03.类算法理论与实践-(3)决策树分类器
神经网络·算法·机器学习
小雷FansUnion4 小时前
深入理解MCP架构:智能服务编排、上下文管理与动态路由实战
人工智能·架构·大模型·mcp
资讯分享周4 小时前
扣子空间PPT生产力升级:AI智能生成与多模态创作新时代
人工智能·powerpoint
sealaugh325 小时前
aws(学习笔记第四十八课) appsync-graphql-dynamodb
笔记·学习·aws
水木兰亭5 小时前
数据结构之——树及树的存储
数据结构·c++·学习·算法
叶子爱分享5 小时前
计算机视觉与图像处理的关系
图像处理·人工智能·计算机视觉
鱼摆摆拜拜5 小时前
第 3 章:神经网络如何学习
人工智能·神经网络·学习