Linear and Quadratic Discriminant Analysis是一种classifier，分别可获得linear and quadratic decision surface，他们可得到封闭式的解决方案(closed-form solution)，并且很容易计算得到，这两种classifier本质上是用来解决multiclass问题的。
Linear Discriminant Analysis
-
应用LDA降维
LDA除用于分类以外，还可以用于降维，降维后的特征数一定要小于类别数，LDA的降维操作只对multi-class dataset起作用。 -
LDA分类原理
在LDA中，假设各个类别服从Guassian distribution，并且每个类别的covariance相等，对于给定point类别的预测可以利用“贝叶斯规则”，下面给出贝叶斯规则，以及各个类别的Guassian distribution：
-
LDA与QDA的区别
LDA与QDA区别：在Quadratic Discriminant Analysis中，对于各个类别的covariance并没有做出假设（各个covariance不等），因此得出的decision surface为quadratic。
如果，在QDA中，假设covariance为diagonal，且各个类别的sample相互独立，则QDA就衍变成了Gaussian Naive Bayes classifier 。
sklearn function
sklearn.discriminant_analysis.LinearDiscriminantAnalysis(solver=’svd’, shrinkage=None, priors=None, n_components=None, store_covariance=False, tol=0.0001)
#priors：class priors，各个类别的先验概率；
#n_components：将维度将至多少；
#tol：solver=svd时的tolerance;
sklearn.discriminant_analysis.QuadraticDiscriminantAnalysis(priors=None, reg_param=0.0, store_covariance=False, tol=0.0001, store_covariances=None)
#reg_param：float，对covariance matrix做正则化处理
#tol：tolerance
LinearDiscriminantAnalysis的其他两个Parameter解释如下：
- estimation algorithm
3中solver的比较：
svd：svd可以进行classification和dimentional reduction。svd不需要计算covariance matrix，这使得他在维数很大的data中，计算速度较另外2种solver快;singular value decomposition;
lsqr：least squared：仅可进行classification,且对于classification效率很高；
eigen：可以进行classification和dimentional reduction。lsqr需要计算covariance matrix，这使得它不适用于维数较高的data。eigenvalue decomposition; - shrinkage
与特征数相比， 样本量较小时，shrinkage可以用于covariance matrix 估计值的改进。当shrinkage=0时，对empirical covariance matrix完全不shrink，当shrinkage=1时，将empirical covariance matrix缩放为diagonal matrix。