| 异同点 | LDA | PCA |
|---|---|---|
| 相同点 | 1. 两者均可以对数据进行降维；2. 两者在降维时均使用了矩阵特征分解的思想；3. 两者都假设数据符合高斯分布； | |
| 不同点 | 有监督的降维方法 | 无监督的降维方法 |
| 降维最多降到k-1维 | 降维多少没有限制 | |
| 可以用于降维，还可以用于分类 | 只用于降维 | |
| 选择分类性能最好的投影方向 | 选择样本点投影具有最大方差的方向 | |
| 更明确，更能反映样本间差异 | 目的较为模糊Ll |
LDA和PCA的区别
猜你喜欢
转载自blog.csdn.net/NXHYD/article/details/104074964
今日推荐
周排行