我试图在matplotlib图上绘制具有二元分类的3特征数据集。这适用于指南（http://www.apnorton.com/blog/2016/12/19/Visualizing-Multidimensional-Data-in-Python/）中提供的示例数据集，但是当我尝试插入我自己的数据集时，无论我输入什么数字，LinearDiscriminantAnalysis都只会输出一维系列。 n_components＆＃34 ;.为什么这不能用我自己的代码？
Data = pd.read_csv("DataFrame.csv", sep=";")
x = Data.iloc[:, [3, 5, 7]]
y = Data.iloc[:, 8]
lda = LDA(n_components=2)
lda_transformed = pd.DataFrame(lda.fit_transform(x, y))
plt.scatter(lda_transformed[y==0][0], lda_transformed[y==0][1], label='Loss', c='red')
plt.scatter(lda_transformed[y==1][0], lda_transformed[y==1][1], label='Win', c='blue')
plt.legend()
plt.show()
答案 0 :(得分：0)
在你给出的example中，LDA降低尺寸会将数据从13个特征减少到2个特征，但是在你的例子中它从3减少到1（即使你想获得2个特征），因此它无法以2D绘图。
如果您真的想从3中选择2个功能，可以使用feature_selection.SelectKBest选择2个最佳功能，并且在2D中绘图不会有任何问题。
如需了解更多信息，请阅读PCA的精彩答案： https://stats.stackexchange.com/questions/2691/making-sense-of-principal-component-analysis-eigenvectors-eigenvalues
答案 1 :(得分：0)
如果不同类标签的数量C小于观察数（几乎总是），则线性判别分析将始终产生C - 1个区分组件。使用n_components API中的sklearn只是选择更少组件的方法，例如如果你知道你希望减少的维度。但您永远不能使用n_components来获取更多组件。
这在Wikipedia section on Multiclass LDA中讨论。类间散布的定义为
\Sigma_{b} = (1 / C) \sum_{i}^{C}( (\mu_{i} - mu)(\mu_{i} - mu)^{T}
这是类平均数之间的经验协方差矩阵。 By definition，此类协方差矩阵的排名最多为C - 1。
...特征之间的可变性将包含在与C - 1最大特征值对应的特征向量所跨越的子空间中......
因为LDA使用类均值协方差矩阵的分解，这意味着它可以提供的维数减少是基于类标签的数量，而不是基于样本大小和特征维度
在您关联的示例中，有多少功能并不重要。关键是该示例使用3个模拟的聚类中心，因此有3个类标签。这意味着线性判别分析可以将数据投影到1维或2维判别子空间上。
但是在你的数据中，你只从2个类标签开始，这是一个二元问题。这意味着线性判别模型的维度最多可以是1维，字面上是形成两个类之间的决策边界的线。在这种情况下，使用LDA降低维数只是将数据点投影到该分离线的特定法向量上。
如果你想特别减少到两个维度，你可以尝试sklearn提供的许多其他算法：t-SNE，ISOMAP，PCA和内核PCA，随机投影，多维缩放，其中其他。其中许多允许您选择投影空间的维度，直到原始要素维度，或者有时甚至可以投影到更大的空间，例如内核PCA。
答案 2 :(得分：-1)
可能是由于sklearn实现，如果您只有2个类，则不允许这样做。问题已在此处https://github.com/scikit-learn/scikit-learn/issues/1967中声明。