什么是LDA分类的简单解释

Question

我发现很难理解线性判别分析（LDA）的过程，我想知道是否有人可以通过简单的英语逐步过程来解释它。据我所知，LDA与主成分分析（PCA）密切相关。但我不知道它如何以精确的精度提供所有概率。以及训练数据如何与实际数据集相关联。我已经提到了一些文件，但我并不知情。它让人更加困惑和复杂。

Answer 1

PCA（主成分分析）是无监督或相同的，它不使用类标签信息。因此，歧视性信息不一定得以保留。

• 最大限度地减少投影错误。

• 最大化预测点的方差。

  示例：减少面部特征的数量（面部检测）。

LDA（线性判别分析）：考虑到类标签的PCA，因此，它受到监督。

• 最大化班级之间的距离。

• 最小化班级内的距离。

  示例：将面部分为男性和女性群集（面部识别）。

  < / LI>

关于分步流程，您可以轻松地在Google中找到实现。

关于分类：

1. 将 x 项目输入到PCA子空间 U ，并计算其投影 a
2. 将 a 投影到LDA子空间 V
3. 找到距离最近的中心
的班级

简单来说，投影输入 x ，然后检查哪个集群中心更近。

  

图片来自K. Etemad，R。Chellapa，判别人脸识别的分析。 J.选项SOC。上午。 A，卷。 1997年8月14日第8号