- referencia
PCA:
Ejemplos (demostrado) PCA funcionamiento https://www.jianshu.com/p/0227aa77425f
pretratamiento de datos antes de PCA: al centro, la estandarización (Win teórico) https://blog.csdn.net/u010182633/article/details/45918737
Practicar en el conjunto de entrenamiento y de prueba (información sobre la operación) http://wenda.chinahadoop.cn/question/5926
Otros se resumen https://blog.csdn.net/viewcode/article/details/8789524
LDA:
principio de LDA (binario y multi-clasificación): https://www.cnblogs.com/jerrylead/archive/2011/04/21/2024384.html
Códigos gráficos ricos https://blog.csdn.net/ruthywei/article/details/83045288
- resumen
PCA:
distribución de Gauss efectiva, debido a que la distribución de Gauss no está relacionado con la independencia
Antes de hacer las necesidades a ser descentralizada y estandarizada (sin dimensiones), porque la conversión descentralizada sólo llegará varianza asociada con el tamaño de transformación ortogonal, detrás de la derivación fácil, vista no dimensional de la dimensión afectará a la comparación .
En el que el PCA es ortogonal
PCA selecciona características reservados sólo para dispersión de todos los datos útiles, puede no ser útil para la clasificación de datos, LDA es para la clasificación de datos
PCA valor característico y la matriz de covarianza es que todas las muestras (al centro, después de la normalización) y el centro (es decir, el origen de coordenadas) y el cuadrado de la distancia
Si la clasificación, los datos apropiados se pueden clasificar utilizando la varianza , tales como
LDA: Para la clasificación K, K-1 de abajo hacia arriba por encima del espacio dimensional, y no necesariamente ortogonales características elegidos
Adecuado utilizando datos media se puede distinguir
