“ Fisher的判别分析”只是在2类情况下的LDA。当只有2类时,手工计算是可行的,并且分析与多元回归直接相关。LDA是Fisher的思想在任何类别情况下的直接扩展,并使用矩阵代数设备(例如本征分解)进行计算。因此,“ Fisher的判别分析”一词如今已被视为过时。应改为使用“线性判别分析”。另请参阅。通过其算法,具有2个以上类别(多类别)的判别分析是典型的(将判别式提取为典型变量);罕见术语“规范判别分析”
在计算了判别函数之后,Fisher使用了所谓的“ Fisher分类函数”对对象进行分类。如今,LDA过程中使用了更通用的贝叶斯方法对对象进行分类。
根据您对LDA的解释要求,我可以向您提供我的答案:LDA中的提取,LDA中的分类,LDA在相关程序中。也是这个,这个,这个问答。
就像ANOVA要求均方差相等的假设一样,LDA也要求类均等方差-协方差矩阵(在输入变量之间)的假设。该假设对于分析的分类阶段很重要。如果矩阵大不相同,则观察结果将倾向于分配给变异性较大的类别。为了克服这个问题,发明了QDA。QDA是对LDA的修改,它允许类的协方差矩阵具有上述异质性。
如果你有异质性(如框并购试验中,例如检测),你不手头有QDA,你仍然可以使用LDA在使用的各个协方差矩阵(而不是合并矩阵)的政权判别的分类。这部分地解决了该问题,尽管效果不如QDA,因为-正如刚刚指出的那样-这些是判别式之间的矩阵,而不是原始变量之间的矩阵(这些矩阵有所不同)。
让我自己分析一下示例数据。
回复@zyxue的答案和评论
LDA是您定义FDA的答案。LDA 首先提取线性构造(称为判别式),以使之间的分离最大化,然后使用它们进行(高斯)分类。如果(如您所说)LDA与提取判别式的任务无关,那么LDA似乎只是一个高斯分类器,则根本不需要名称“ LDA”。
在该分类阶段,LDA假设类的正态性和方差-协方差同质性。LDA 的提取或“降维”阶段假设线性和方差-协方差同质性,这两个假设共同使“线性可分离性”可行。(我们使用单个合并的矩阵来生成判别式,因此这些判别式具有同一类合并在类内的协方差矩阵,这使我们有权将同一组判别式应用于所有类别。如果所有相同,则在内部-类协方差都是相同的,相同的;使用它们的权利就变成绝对的。)SwSw
高斯分类器(LDA的第二阶段)使用贝叶斯规则将判别式的观测值分配给类别。可以通过直接利用原始特征的所谓Fisher线性分类函数来实现相同的结果。但是,贝叶斯基于判别式的方法有些通用,因为除了默认的使用判别式协方差矩阵的默认方法以外,它还将允许使用单独的类判别协方差矩阵。同样,它将允许基于判别子集进行分类。
当只有两个类别时,LDA的两个阶段可以在一次通过中一起描述,因为“潜伏提取”和“观测分类”然后减少到同一任务。