LDA 既可以用于分类又可以用于降维，应用场景最多的还是降维。和 PCA 类似，LDA 降维基本也不用调参，只需要指定降维到的维数即可。
class sklearn.discriminant_analysis.LinearDiscriminantAnalysis
solver=’svd’：即求LDA超平面特征矩阵使用的方法。可以选择的方法有奇异值分解”svd”，最小二乘”lsqr” （仅适用于分类）和特征分解”eigen”。一般来说特征数非常多的时候推荐使用svd，而特征数不多的时候推荐使用eigen。主要注意的是，如果使用svd，则不能指定正则化参数shrinkage进行正则化；
shrinkage=None：正则化参数，可以增强 LDA 分类的泛化能力。如果仅仅只是为了降维，则一般可以忽略这个参数。默认是None，即不进行正则化。可以选择 “auto”，让算法自己决定是否正则化。当然我们也可以选择不同的 [0,1] 之间的值进行交叉验证调参。注意 shrinkage 只在 solver 为最小二乘 “lsqr” 和特征分解 “eigen” 时有效；
priors=None： array，shape (n_classes,) 类别权重，可以在做分类模型时指定不同类别的权重，进而影响分类模型建立。降维时一般不需要关注这个参数；
n_components=None：即我们进行 LDA 降维时降到的维数。在降维时需要输入这个参数。注意只能为 [1,类别数-1) 范围之间的整数。如果我们不是用于降维，则这个值可以用默认的None；
store_covariance=False： bool，额外计算每类样本的协方差矩阵，只有在 solver 为 “svd” 时起作用；
tol=0.0001： float，秩估计的阈值，只有在 solver 为 “svd” 时起作用；