1.线性判别分析的基本出发点
借用一下周教授传奇大作西瓜书华人区《机器学习》配图，线性判别分析是很老的技术了，最早提出于1936年，线性判别分析的主要思想是：将需要分类的向量投影到一个超平面，投影后同类别的向量将集中一起，容易通过简单的距离比较对两类数据进行分类。
2.线性判别分析的相关公式详解
公式1：投影转换
这个公式的含义是，x为数据的向量，wt为投影平面的法向量，通过矩阵相乘后将数据转换为超平面上的点，这个点y也是一个向量，这里比较难的是，不能用常规的笛卡尔坐标去理解超平面的矩阵计算，在高维空间中，不存在什么y = kx函数映射，例如x = [1,2,2,1]这个四维向量，就是直接指代4维空间中的那一点，不存在任何y（你也可以理解为y已经在[1,2,2,1]里面）在这个维度系里面，所以回到这个这个公式理解就是，将一个空间中的向量x，通过被投影的超平面的法向量 矩阵乘法 转化为空间中的另一个向量y（此y非上面的函数结果y）。
设两类数据的中心向量为u0,u1，根据上面的公式可知投影后的中心点为，
，这时，我们希望两类投影点的距离尽量大，所以类间间距的约束可定义为：
公式2：
这个公式使用了一个二范数，并对二范数进行平方计算，所以最终输出就是，也就是说对||·||内的向量每一个元素进行平方计算 并相加求和，因此公式2也可以写为
上面公式的最右项就是西瓜书《机器学习》中公式(3.32)的分子。
在约束完类间间距后，我们还希望类内的元素足够“相近”，这里，我被周教授的协方差公式搞得一头雾水，完全不知道那个是怎么来的，这里我们参考一下JerryLead博主的推导过程，先忽略周教授的推导结果：
http://www.cnblogs.com/jerrylead/archive/2011/04/21/2024384.html
公式3：
上式的意义是，是0类数据的投影中心，y是各个0类数据中的各个向量投影，通过公式3可以计算类内向量投影到所有向量中心投影的方差，这个s0方差越小，代表这个类投影后元素之间比较紧密，对公式3使用投影公式1转换可得
这里，使用了sigma连加符号，连加元素的平方，这个跟公式二中的展开是一样的，所以上式同样可以展开为
上式中就是协方差矩阵啦
也可以表示为，也就是《机器学习》中一开始出现的公式
所以我们现在容易知道
后面就是书中求公式最大化的过程，比较容易理解，这里就不解释了。