Простое объяснение того, что такое LDA Classification

Question

Мне сложно понять процесс линейного дискриминантного анализа (LDA), и мне было интересно, сможет ли кто-нибудь объяснить его простым пошаговым процессом на английском языке. Я понимаю, что LDA тесно связана с анализом основных компонентов (PCA). но я не знаю, как это дает все вероятности с точностью решетки. И как данные обучения связаны с фактическим набором данных. Я ссылаюсь на несколько документов, и я не очень понимаю. Это становится более запутанным и сложным.

Answer 1

PCA (Основной компонентный анализ) неконтролируемый или что то же самое, он не использует информацию о метке. Поэтому дискриминационная информация не обязательно сохраняется.

• Минимизирует ошибку проекции.

• Максимизирует отклонение прогнозируемых точек.

  Пример: Уменьшение количества особенностей лица (обнаружения лица).

LDA (линейный дискриминантный анализ): PCA, который принимает класс-метки во внимание и, следовательно, она контролируется.

• Максимальное расстояние между классами.

• Минимизирует расстояние в пределах классов.

  Пример: Разделительный лица в мужской и женских кластеров (распознавания лица).

С Регар на шаг за шагом, вы можете легко найти реализацию в Google.

В отношении классификации:

1. ввода проекта х в PCA подпространство U, и вычислить его проекция
2. проекта в LDA подпространство В
3. Найти класс с ближайшим центром

Простыми словами спроектируйте вход x, а затем проверьте, с какого центра кластера ближе.

Изображение от K. Etemad, R. Chellapa, Дискриминантный анализ для распознавания человеческих лиц. J. Opt. Soc. Am. А, т. 14, No.8, август 1997 года