理工酷

首先，什么是LDA？ 线性判别分析（LDA）是一种有监督的特征提取技术，用于查找可分离类别的可用特征的线性组合。 应用LDA后会发生什么？ 其主要目的是降低数据的维数，来减少分类的计算损失。将LDA应用于数据集后，“新特征”最小化了同一类样本之间的离散度，最大化了不同类样本之间的离散度。 举一个例子： 假设你有一个从事不同运动的人的数据集：高尔夫、篮球、足球、足球，数据集可用的特征是身高、体重和肌肉指数。 绘制这些实例时，可能有两个或多个类的某些相交区域。因此，当你将LDA应用于数据集时，它将生成新的特征，这些特征可能具有更好的类分离（交集区域越来越少）。 使用LDA会有什么缺点？ LDA是一种非常强大的技术，但是它有一些局限性。例如，有时你要处理10个特征的数据集，而只有2个类，因此LDA必须减少到2个轴。这种修正通常会导致信息的丢失，从而导致分类精度降低。