机器学习降维之线性判别模型

拍摄于无锡古镇

1.LDA简介

线性判别分析(Linear Discriminant Analysis, LDA)是一种监督学习的降维方法,也就是说数据集的每个样本是有类别输出。和之前介绍的

机器学习降维之主成分分析(PCA)

方法不同,PCA是不考虑样本类别输出的无监督学习方法。LDA的原理简单来说就是将带上标签的数据(点),通过投影的方法,投影到维度更低的空间中,使得投影后的点会形成按类别区分。而我们的目标就是使得投影后的数据,类间方差最大,类内方差最小

以下图为例,假设有两类数据,分别为红色和蓝色。现在我们希望,将这些数据投影到一维的直线上,让每一种类别数据的投影点尽可能的接近,而红色和蓝色数据中心之间的距离尽可能的大。

从上图的两种投影方式能够看出,右图能够更好的满足我们的目标,即类间方差最大,类内方差最小。下面我们来看看LDA内部原理,如何达到我们所希望的目标。

2.瑞利商和广义瑞利商

介绍LDA原理之前,我们先了解一些数学知识,即瑞利商(Rayleigh quotient)广义瑞利商(genralized Rayleigh quotient)。首先来看看瑞利商的函数R(A,x)

瑞利商R(A,x)有一个非常重要的性质,即它的最大值等于矩阵A的最大特征值,而最小值等于矩阵A的最小特征值,即满足

以上就是瑞利商的内容,现在看看广义瑞利商内容,广义瑞利商函数R(A,B,x)

其中x为非零向量,而A,B为n*n的Hermitan矩阵,B是正定矩阵。那么R(A,B,x)的最大值和最小值是什么呢?

3.二类LDA原理

4.多类LDA原理

5.LDA算法流程

6.LDA vs PCA

LDA和PCA有很多相同点和不同点,我们来对比看看两者的区别。

相同点

两者均可对数据进行降维。

两者在降维时均使用了矩阵特征分解的思想。

两者都假设数据符合高斯分布。

不同点

LDA是有监督的降维方法,而PCA是无监督的降维方法。

LDA降维最多降到类别数k-1的维数,而PCA无此限制。

LDA选择分类性能最好的投影方向,而PCA选择样本点投影具有最大方差的方向。

不同数据情况下,LDA和PCA降维方法各有优劣。例如某些数据情况下LDA比PCA方法更好

某些数据情况下PCA比LDA方法降维更好

7.LDA算法总结

LDA优点

在降维过程中可以使用类别的先验知识经验,而PCA这种无监督学习则无法使用类别先验知识。

LDA缺点

LDA可能过度拟合数据。

LDA不适合对非高斯分布样本进行降维,PCA也有这个问题。

LDA降维最多降到类别数k-1的维数,如果我们降维的维数大于k-1,则不能使用LDA。

  • 发表于:
  • 原文链接https://kuaibao.qq.com/s/20190129G0SDGQ00?refer=cp_1026
  • 腾讯「云+社区」是腾讯内容开放平台帐号(企鹅号)传播渠道之一,根据《腾讯内容开放平台服务协议》转载发布内容。

扫码关注云+社区

领取腾讯云代金券