1. LDA的思想
LDA線性判别分析也是一種經典的降維方法，LDA是一種監督學習的降維技術，也就是說它的資料集的每個樣本是有類别輸出的。這點和PCA不同。PCA是不考慮樣本類别輸出的無監督降維技術。LDA的思想可以用一句話概括，就是“投影後類内方差最小，類間方差最大”。什麼意思呢？ 我們要将資料在低次元上進行投影，投影後希望每一種類别資料的投影點盡可能的接近，而不同類别的資料的類别中心之間的距離盡可能的大。
可能還是有點抽象，我們先看看最簡單的情況。假設我們有兩類資料分别為紅色和藍色，如下圖所示，這些資料特征是二維的，我們希望将這些資料投影到一維的一條直線，讓每一種類别資料的投影點盡可能的接近，而紅色和藍色資料中心之間的距離盡可能的大。
上圖中提供了兩種投影方式，哪一種能更好的滿足我們的标準呢？從直覺上可以看出，右圖要比左圖的投影效果好，因為右圖的黑色資料和藍色資料各個較為集中，且類别之間的距離明顯。左圖則在邊界處資料混雜。以上就是LDA的主要思想了，當然在實際應用中，我們的資料是多個類别的，我們的原始資料一般也是超過二維的，投影後的也一般不是直線，而是一個低維的超平面。
2.執行個體結合源碼
導包
import numpy as np
from sklearn import datasets
from sklearn.discriminant_analysis import LinearDiscriminantAnalysis
from sklearn.tree import DecisionTreeClassifier
from sklearn.model_selection import train_test_split
import warnings
warnings.filterwarnings("ignore")
X,y = datasets.load_iris(True)
X[:5] array([[5.1, 3.5, 1.4, 0.2],
[4.9, 3. , 1.4, 0.2],
[4.7, 3.2, 1.3, 0.2],
[4.6, 3.1, 1.5, 0.2],
[5. , 3.6, 1.4, 0.2]])
#特征值和特征向量 solver='eigen'/svd
lda = LinearDiscriminantAnalysis(solver='eigen',n_components=2)
X_lda = lda.fit_transform(X,y)
X_lda[:5] array([[6.01716893, 7.03257409],
[5.0745834 , 5.9344564 ],
[5.43939015, 6.46102462],
[4.75589325, 6.05166375],
[6.08839432, 7.24878907]])
源碼截圖
def _solve_eigen(self, X, y, shrinkage):
共分為五步
#1、總的散度矩陣
#協方差X.T 等同rowvar=False,源碼中有偏內插補點bias=1
St = np.cov(X,rowvar=False,bias=1)
St array([[ 0.68112222, -0.04215111, 1.26582 , 0.51282889],
[-0.04215111, 0.18871289, -0.32745867, -0.12082844],
[ 1.26582 , -0.32745867, 3.09550267, 1.286972 ],
[ 0.51282889, -0.12082844, 1.286972 , 0.57713289]])
#2、類内的散度矩陣
# Scatter 散點圖，within(内)
Sw = np.full(shape = (4,4),fill_value=0,dtype = np.float64)
for i in range(3):
Sw += np.cov(X[y == i],rowvar=False,bias=1)
Sw/=3
Sw array([[0.259708 , 0.09086667, 0.164164 , 0.03763333],
[0.09086667, 0.11308 , 0.05413867, 0.032056 ],
[0.164164 , 0.05413867, 0.181484 , 0.041812 ],
[0.03763333, 0.032056 , 0.041812 , 0.041044 ]])
# 3、計算類間的散度矩陣
#Scatter between
Sb = St -Sw
Sb array([[ 0.42141422, -0.13301778, 1.101656 , 0.47519556],
[-0.13301778, 0.07563289, -0.38159733, -0.15288444],
[ 1.101656 , -0.38159733, 2.91401867, 1.24516 ],
[ 0.47519556, -0.15288444, 1.24516 , 0.53608889]])
# scipy 這個子產品下的線性代數子子產品
from scipy import linalg
# 4、特征值 和 特征向量
eigen,ev = linalg.eigh(Sb,Sw)
print(eigen )
print( ev) [-1.84103303e-14 1.18322589e-14 2.85391043e-01 3.21919292e+01]
[[ 1.54162331 -2.82590065 0.02434685 0.83779794]
[-2.49358543 1.05970269 2.18649663 1.55005187]
[-2.86907801 1.01439507 -0.94138258 -2.22355955]
[ 4.58628831 0.45101349 2.86801283 -2.83899363]]
ev= ev[:,np.argsort(eigen)[::-1]]
ev array([[ 0.83779794, 0.02434685, -2.82590065, 1.54162331],
[ 1.55005187, 2.18649663, 1.05970269, -2.49358543],
[-2.22355955, -0.94138258, 1.01439507, -2.86907801],
[-2.83899363, 2.86801283, 0.45101349, 4.58628831]])
# 5、篩選特征向量 ，進行矩陣運算
X.dot(ev[:,:])[:5] array([[ 6.01716893, 7.03257409, -9.19277808, -3.96472168],
[ 5.0745834 , 5.9344564 , -9.1574493 , -3.02625362],
[ 5.43939015, 6.46102462, -8.48176814, -3.54638757],
[ 4.75589325, 6.05166375, -8.10226933, -4.02500696],
[ 6.08839432, 7.24878907, -8.80421775, -4.36824255]])
3.LDA與PCA比較
相同點
1）兩者均可以對資料進行降維。
2）兩者在降維時均使用了矩陣特征分解的思想。
3）兩者都假設資料符合高斯分布【正态分布】。
不同點
1）LDA是有監督的降維方法，而PCA是無監督的降維方法
2）LDA降維最多降到類别數k-1的維數，而PCA沒有這個限制。