版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/qq_41455420/article/details/79859899
LDA 线性判别分析模型
线性判别分析（Linear Discriminant Analysis，LDA）是一种可作为特征抽取的技术，可以提高数据分析过程中的计算效率，同时对于不适用于正则化的模型，它可以降低模型灾难带来的过拟合。
1、LDA 的概念与 PCA 区别与联系
- 1.PCA 试图在数据集中找到方差最大的正交主成分量的轴，而 LDA 的目标是发现可以最优化分类的特征子空间。LDA 和 PCA 都是可以降低数据集维度的线性转化技巧。
- 2.PCA 是一种无监督算法（不需要类标签的参与），而 LDA 是监督算法。
- 3.在图像识别某些情况下，如每个类别中只有少量样本使用 PCA 最为预处理工具的分类结果更佳。
下图解释了二分类 LDA 的概念，x 和点分别表示一个类别：
在 x 轴方向（LD1）通过线性判断，可以很好地将呈现正态分布的两个类分开。虽然沿 y 轴（LD2）方向的线性判别保持了数据集的较大的方差（与 PCA 相似），但是沿着此方向无法提供关于类别区分的任何信息，y 轴的这个情况也不是一个好的线性判定。
2、LDA 算法步骤
3、计算散步矩阵
4、在新特征子空间上选取线性判别算法
5、将样本映射到新的特征空间
喜欢就点赞评论+关注吧
感谢阅读，希望能帮助到大家，谢谢大家的支持！