Fisher Discriminant

也叫Fisher linear discriminant analysis（LDA或FDA）

1、线性判别分析是统计学上的一种分析方法，用于在已知的分类之下遇到有新的样本时，选定一个判别标准，以判定如何将新样本放置于哪一个类别之中。主要用于二分类问题，对于多类问题则可以多次运用该方法就可以了；

2、Fisher线性判别分析的主要原理是将带有类别标签的高维样本投影到一个向量w（一维空间）上，使得在该向量上2类样本的投影值达到“低耦合高内聚“，即类内距离最小而累间距离最大，这样便是分类效果最好的情况）这样便可将问题转化成一个确定w的优化问题。

3、其实w就是二分类问题的超分类面的法向量。

4、类似于SVM和kernel PCA，也有kernel FDA，其原理是将原样本通过非线性关系映射到高维空间中，在该高纬空间利用FDA算法，这里的关键是w可以用原影本均值的高维投影值表示，这样可以不需知道具体的映射关系而给出kernel的形式就可以了。

5、和PCA一样，FDA也可以看成是一种特征提取（feature extraction）的方法，即将原来的n维特征变成一维的特征了（针对该分类只要有这一个特征就足够了）。

原理分析：http://blog.csdn.net/ffeng271/article/details/7353834

实例分析：http://blog.csdn.net/warmyellow/article/details/5454943

http://wenku.baidu.com/link?url=AdOsqGF_xJ3asjLnmNC_-dd__d4A5QElKKO5LHuKUM-6-Jz1yQwMalZNFD23vxAuagSPHfNrTXos9JFRpATwAXtmv0j_COrG8E-_yIEmZ93

Fisher Discriminant相关推荐

Fisher线性判别散度矩阵Sb,Sw 另一种表达形式的证明
Fisher线性判别中散度矩阵的表现形式可以改写,类内散度: Sw=∑i=1c∑j:yj=i(xj−μi)(xj−μi)T=12∑i,jA(w)ij(xi−xj)(xi−xj)TSw=∑i=1c∑j: ...
线性判别分析（LDA）与Fisher判别分析（FDA）降维原理
在故障诊断中,我们常常会面对大量的且维数很高的数组,通过我们需要先对数据集进行划分及预处理,而预处理阶段极为重要的一步就是对数据进行降维特征提取,通过某种数学变换将原始高维空间转变成一个低维的子空间. ...
【转】Python机器学习库
2019独角兽企业重金招聘Python工程师标准>>> Python 在科学计算领域,有两个重要的扩展模块:Numpy和Scipy.其中Numpy是一个用python实现的科学计算包 ...
行人检测(Pedestrian Detection)资源
行人检测(Pedestrian Detection)资源原文链接 http://hi.baidu.com/susongzhi/item/085983081b006311eafe38e7 一.论文 C ...
张志华机器学习两门课程正确顺序及视频连接
Note: 网上视频教程的顺序都是有错误的,查证后再看,不然心乱.. 1.统计机器学习视频连接视频顺序: 序号名称 01. 概率基础 02. 随机变量1 03. 随机变量2 04. 高斯分布 0 ...
机器学习面试题合集Collection of Machine Learning Interview Questions
The Machine Learning part of the interview is usually the most elaborate one. That's the reason we h ...
张志华教授《机器学习导论》和《统计机器学习》课程讲义
张志华教授<机器学习导论>和<统计机器学习>课程讲义 [尊重原创,转载请注明出处]http://blog.csdn.net/guyuealian/article/details ...
《机器学习导论》和《统计机器学习》学习资料：张志华教授
张志华教授的两门机器学习公开课是很好的机器学习资源.但在上海交大的公开课视频网站上挂出的教学视频顺序有点乱.对于初学者来说,如果没看对顺序的话,会觉得讲得很乱,从而错过这么优质的资源.事实上板书很完整 ...
python版本及ML库
一:关于Python版本的选择问题关于Python的选择问题:要看学术界能不能把科学库迁移到Python3. 1:多个版本共用: 最近发现SciPy的最高版本是3.2,只能是退而求其次,不使用最新版 ...

Fisher Discriminant

Fisher Discriminant相关推荐

最新文章

热门文章