线性判别分析简明入门教程
来源:互联网 发布:淘宝二手市场网 编辑:程序博客网 时间:2024/06/07 17:47
原文:http://sebastianraschka.com/Articles/2014_python_lda.html
编译:Asher Li
注1:文中出现了线性代数术语“eigenvalue”“eigenvector”,中文教材对应有“特征值”“本征值”两种常见译法。为了与“feature”相区分,本文使用“本征”翻译。
注2:文中提到 “
中文与公式混合排版之后可能引发歧义,故在此做单独解释。
导语
在模式分类和机器学习实践中,线性判别分析(Linear Discriminant Analysis, LDA)方法常被用于数据预处理中的降维(dimensionality reduction)步骤。LDA在保证良好的类别区分度的前提下,将数据集向更低维空间投影,以求在避免过拟合(“维数灾难”)的同时,减小计算消耗。
Ronald A. Fisher 在1936年(The Use of Multiple Measurements in Taxonomic Problems)提出了线性判别(Linear Discriminant)方法,它有时也用来解决分类问题。最初的线性判别适用于二分类问题,后来在1948年,被C. R. Rao(The utilization of multiple measurements in problems of biological classification)推广为“多类线性判别分析”或“多重判别分析”。
一般意义上的LDA与主成分分析(Principal Component Analysis,PCA)十分相似,但不同于PCA寻找使全部数据方差最大化的坐标轴成分,LDA关心的是能够最大化类间区分度的坐标轴成分。
更多关于PCA的内容,可参考 Implementing a Principal Component Analysis (PCA) in Python step by step。
一言蔽之,LDA将特征空间(数据集中的多维样本)投影到一个维度更小的
通常情况下,降维不仅降低了分类任务的计算量,还能减小参数估计的误差,从而避免过拟合。
主成分分析 vs. 线性判别分析
线性判别分析(LDA)与主成分分析(PCA)都是常用的线性变换降维方法。PCA是一种“无监督”算法,它不关心类别标签,而是致力于寻找数据集中最大化方差的那些方向(亦即“主成分”);LDA则是“有监督”的,它计算的是另一类特定的方向(或称线性判别“器”)——这些方向刻画了最大化类间区分度的坐标轴。
虽然直觉上听起来,在已知类别信息时,LDA对于多分类任务要优于PCA,但实际并不一定。
比如比较经过PCA或LDA处理后图像识别任务的分类准确率,如果样本数比较少,PCA是要优于LDA的(PCA vs. LDA, A.M. Martinez et al., 2001)。联合使用LDA和PCA也并不罕见,例如降维时先用PCA再做LDA。
什么是“好”的特征子空间
假定我们的目标是将一个
在后面,我们会计算数据集的本征向量(成分),将其归总到一个所谓的“散布矩阵”(类间散布矩阵和类内散布矩阵)。每一个本征向量对应一个本征值,本征值会告诉我们相应本征向量的“长度”/“大小”。
如果所有的本征值大小都很相近,那么这就表示我们的数据已经投影到了一个“好”的特征空间上。
而如果一部分本征值远大于其他的本征值,我们可能就考虑只留下最大的那些,因为它们包含了更多关于数据的分布的信息。反之,接近 0 的本征值含有的信息量更少,我们就考虑在构造新特征空间时舍弃它们。
LDA的五个步骤
下面列出了执行线性判别分析的五个基本步骤。我们会在后面做更详细的讲解。
1. 计算数据集中不同类别数据的
2. 计算散布矩阵,包括类间、类内散布矩阵。
3. 计算散布矩阵的本征向量
4. 将本征向量按本征值大小降序排列,然后选择前
5. 用这个
准备样本数据集
鸢尾花集
接下来要在著名的“鸢尾花”数据集上折腾一番。鸢尾花集可从UCI的机器学习目录中下载:
https://archive.ics.uci.edu/ml/datasets/Iris
引用: Bache, K. & Lichman, M. (2013). UCI Machine Learning Repository. Irvine, CA: University of California, School of Information and Computer Science.
该集对三类、一百五十朵鸢尾花做了测量。
三类包括:
1. 山鸢尾(n=50)
2. 变色鸢尾(n=50)
3. 维吉尼亚鸢尾(n=50)
四种特征包括:
1. 萼片长度(厘米)
2. 萼片宽度(厘米)
3. 花瓣长度(厘米)
4. 花瓣宽度(厘米)
feature_dict = {i:label for i,label in zip( range(4), ('sepal length in cm', 'sepal width in cm', 'petal length in cm', 'petal width in cm', ))}
读取数据集
import pandas as pddf = pd.io.parsers.read_csv( filepath_or_buffer='https://archive.ics.uci.edu/ml/machine-learning-databases/iris/iris.data', header=None, sep=',', )df.columns = [l for i,l in sorted(feature_dict.items())] + ['class label']df.dropna(how="all", inplace=True) # to drop the empty line at file-enddf.tail()
因为数值数据更容易处理,我们使用 scikit-learn
库中的 LabelEncode
将类别标签转换成数字 1,2,3
:
from sklearn.preprocessing import LabelEncoderX = df[[0,1,2,3]].valuesy = df['class label'].valuesenc = LabelEncoder()label_encoder = enc.fit(y)y = label_encoder.transform(y) + 1label_dict = {1: 'Setosa', 2: 'Versicolor', 3:'Virginica'}
直方图和特征选择
把四种特征的分布情况在一维直方图中分别做可视化呈现,可以得到一个对
%matplotlib inlinefrom matplotlib import pyplot as pltimport numpy as npimport mathfig, axes = plt.subplots(nrows=2, ncols=2, figsize=(12,6))for ax,cnt in zip(axes.ravel(), range(4)): # set bin sizes min_b = math.floor(np.min(X[:,cnt])) max_b = math.ceil(np.max(X[:,cnt])) bins = np.linspace(min_b, max_b, 25) # plottling the histograms for lab,col in zip(range(1,4), ('blue', 'red', 'green')): ax.hist(X[y==lab, cnt], color=col, label='class %s' %label_dict[lab], bins=bins, alpha=0.5,) ylims = ax.get_ylim() # plot annotation leg = ax.legend(loc='upper right', fancybox=True, fontsize=8) leg.get_frame().set_alpha(0.5) ax.set_ylim([0, max(ylims)+2]) ax.set_xlabel(feature_dict[cnt]) ax.set_title('Iris histogram #%s' %str(cnt+1)) # hide axis ticks ax.tick_params(axis="both", which="both", bottom="off", top="off", labelbottom="on", left="off", right="off", labelleft="on") # remove axis spines ax.spines["top"].set_visible(False) ax.spines["right"].set_visible(False) ax.spines["bottom"].set_visible(False) ax.spines["left"].set_visible(False) axes[0][0].set_ylabel('count')axes[1][0].set_ylabel('count')fig.tight_layout() plt.show()
仅凭这些简单的图形化展示,已经足以让我们得出结论:在四种特征里面,花瓣的长度、宽度更适合用来区分三种鸢尾花类别。
实际应用中,比起通过投影降维(此处即LDA),另一种比较好的办法是做特征筛选。像鸢尾花这样的低维数据集,看一眼直方图就能得到很多信息了。
另一种简单但有效的方式是使用特征选择算法——如果你有兴趣,我在此处详述了“序列特征选择”; scikit-learn 有另一种漂亮的手段。
我还写过一篇“特征选择中的滤波器,封装器和嵌入方法”,是在更高的层次上对不同方法的总结。
规范性假设
需要指出,LDA假设数据服从正态分布、不同特征之间互相统计独立且各类数据的协方差矩阵相等。不过这仅仅指LDA用作分类器的情况,当LDA用于降维时,哪怕数据不符合这些假设,LDA通常也能取得不错的效果。
而即便对于分类任务,LDA对数据的分布似乎也是相当鲁棒的:
“尽管实际情况常常不符合‘不同类别数据间有相同协方差矩阵’和规范性假设,线性判别分析在人脸和物体识别任务中也通常能够得到不错的结果。”。
Tao Li, Shenghuo Zhu, and Mitsunori Ogihara. “Using Discriminant Analysis for Multi-Class Classification: An Experimental Investigation.” Knowledge and Information Systems 10, no. 4 (2006): 453–72.)
Duda, Richard O, Peter E Hart, and David G Stork. 2001. Pattern Classification. New York: Wiley.
五步实现LDA
完成以上几项准备工作后,我们就可以实际运行LDA了。
第一步:计算数据的 d 维均值向量
首先做一个简单的计算:分别求三种鸢尾花数据在不同特征维度上的均值向量
np.set_printoptions(precision=4)mean_vectors = []for cl in range(1,4): mean_vectors.append(np.mean(X[y==cl], axis=0)) print('Mean Vector class %s: %s\n' %(cl, mean_vectors[cl-1]))
得到
Mean Vector class 1: [ 5.006 3.418 1.464 0.244]Mean Vector class 2: [ 5.936 2.77 4.26 1.326]Mean Vector class 3: [ 6.588 2.974 5.552 2.026]
第二步:计算散布矩阵
计算两个
2.1a 类内散布矩阵 Sw
类内散布矩阵
其中
S_W = np.zeros((4,4))for cl,mv in zip(range(1,4), mean_vectors): class_sc_mat = np.zeros((4,4)) # scatter matrix for every class for row in X[y == cl]: row, mv = row.reshape(4,1), mv.reshape(4,1) # make column vectors class_sc_mat += (row-mv).dot((row-mv).T) S_W += class_sc_mat # sum class scatter matricesprint('within-class Scatter Matrix:\n', S_W)
得到
within-class Scatter Matrix: [[ 38.9562 13.683 24.614 5.6556] [ 13.683 17.035 8.12 4.9132] [ 24.614 8.12 27.22 6.2536] [ 5.6556 4.9132 6.2536 6.1756]]
2.1b 贝塞尔纠偏项的影响
在计算类-协方差矩阵时,可以在类内散布矩阵上添加尺度因数
因为本征向量是相同的,只是本征值有一个常数项的尺度变化,所以即便将其忽略不计,最后得到的特征空间也不会改变(这一点在文末还有体现)。
2.2 类间散布矩阵 SB
计算类间散布矩阵
overall_mean = np.mean(X, axis=0)S_B = np.zeros((4,4))for i,mean_vec in enumerate(mean_vectors): n = X[y==i+1,:].shape[0] mean_vec = mean_vec.reshape(4,1) # make column vector overall_mean = overall_mean.reshape(4,1) # make column vector S_B += n * (mean_vec - overall_mean).dot((mean_vec - overall_mean).T)print('between-class Scatter Matrix:\n', S_B)
得到
between-class Scatter Matrix: [[ 63.2121 -19.534 165.1647 71.3631] [ -19.534 10.9776 -56.0552 -22.4924] [ 165.1647 -56.0552 436.6437 186.9081] [ 71.3631 -22.4924 186.9081 80.6041]]
第三步:求解矩阵 S−1WSB 的广义本征值
接下来求解矩阵
eig_vals, eig_vecs = np.linalg.eig(np.linalg.inv(S_W).dot(S_B))for i in range(len(eig_vals)): eigvec_sc = eig_vecs[:,i].reshape(4,1) print('\nEigenvector {}: \n{}'.format(i+1, eigvec_sc.real)) print('Eigenvalue {:}: {:.2e}'.format(i+1, eig_vals[i].real))
得到
Eigenvector 1:[[-0.2049] [-0.3871] [ 0.5465] [ 0.7138]]Eigenvalue 1: 3.23e+01Eigenvector 2:[[-0.009 ] [-0.589 ] [ 0.2543] [-0.767 ]]Eigenvalue 2: 2.78e-01Eigenvector 3:[[ 0.179 ] [-0.3178] [-0.3658] [ 0.6011]]Eigenvalue 3: -4.02e-17Eigenvector 4:[[ 0.179 ] [-0.3178] [-0.3658] [ 0.6011]]Eigenvalue 4: -4.02e-17
计算结果应当作何解释呢?从第一节线性代数课开始我们就知道,本征向量和本征值表示了一个线性变换的形变程度——本征向量是形变的方向;本征值是本征向量的尺度因数,刻画了形变的幅度。
如果将LDA用于降维,本征向量非常重要,因为它们将会组成新特征子空间的坐标轴。对应的本征值表示了这些新坐标轴的信息量的多少。
再检查一遍计算过程,然后对本征值做进一步讨论。
检查本征向量-本征值的运算
要检查该运算是否正确,看其是否满足等式:
此处
for i in range(len(eig_vals)): eigv = eig_vecs[:,i].reshape(4,1) np.testing.assert_array_almost_equal(np.linalg.inv(S_W).dot(S_B).dot(eigv), eig_vals[i] * eigv, decimal=6, err_msg='', verbose=True)print('ok')
输出:
ok
第四步:选择线性判别“器”构成新的特征子空间
4.1 按本征值降序排列本征向量
本征向量只是定义了新坐标轴的方向,它们的大小都是单位长度1。
想要构成更低维的子空间,就得选择丢弃哪个(些)本征向量,所以我们得看看对应本征向量的那些本征值。 大体上说,对于数据的分布情况,本征值最小的那些本征向量所承载的信息最少,所以要舍弃的就是这些本征向量。
将本征向量根据本征值的大小从高到低排序,然后选择前
# Make a list of (eigenvalue, eigenvector) tupleseig_pairs = [(np.abs(eig_vals[i]), eig_vecs[:,i]) for i in range(len(eig_vals))]# Sort the (eigenvalue, eigenvector) tuples from high to loweig_pairs = sorted(eig_pairs, key=lambda k: k[0], reverse=True)# Visually confirm that the list is correctly sorted by decreasing eigenvaluesprint('Eigenvalues in decreasing order:\n')for i in eig_pairs: print(i[0])
得到
Eigenvalues in decreasing order:32.27195779970.277566863845.71450476746e-155.71450476746e-15
可以看到有两个本征值接近0,不是因为它们不含信息量,而是浮点数精度的关系。其实,这后两个本征值应该恰好为0。
在LDA中,线性判别器的数目最多是
注意到很少有完全共线的情况(所有样本点分布在一条直线上),协方差矩阵秩为1,这导致了只有一个非零本征值和一个对应的本征向量。
现在,把“可释方差”表达为百分数的形式:
print('Variance explained:\n')eigv_sum = sum(eig_vals)for i,j in enumerate(eig_pairs): print('eigenvalue {0:}: {1:.2%}'.format(i+1, (j[0]/eigv_sum).real))
得到
Variance explained:eigenvalue 1: 99.15%eigenvalue 2: 0.85%eigenvalue 3: 0.00%eigenvalue 4: 0.00%
第一个本征对是信息量最大的一组,如果我们考虑建立一个一维的向量空间,使用该本征对就不会丢失太多信息。
4.2 选择 k 个最大本征值对应的本征向量
按本征值的大小得到降序排列的本征对之后,现在就可以组建我们的
W = np.hstack((eig_pairs[0][1].reshape(4,1), eig_pairs[1][1].reshape(4,1)))print('Matrix W:\n', W.real)
得到
Matrix W: [[-0.2049 -0.009 ] [-0.3871 -0.589 ] [ 0.5465 0.2543] [ 0.7138 -0.767 ]]
第五步:将样本变换到新的子空间中
使用上一步刚刚计算出的
其中
X_lda = X.dot(W)assert X_lda.shape == (150,2), "The matrix is not 150x2 dimensional."
得到
from matplotlib import pyplot as pltdef plot_step_lda(): ax = plt.subplot(111) for label,marker,color in zip( range(1,4),('^', 's', 'o'),('blue', 'red', 'green')): plt.scatter(x=X_lda[:,0].real[y == label], y=X_lda[:,1].real[y == label], marker=marker, color=color, alpha=0.5, label=label_dict[label] ) plt.xlabel('LD1') plt.ylabel('LD2') leg = plt.legend(loc='upper right', fancybox=True) leg.get_frame().set_alpha(0.5) plt.title('LDA: Iris projection onto the first 2 linear discriminants') # hide axis ticks plt.tick_params(axis="both", which="both", bottom="off", top="off", labelbottom="on", left="off", right="off", labelleft="on") # remove axis spines ax.spines["top"].set_visible(False) ax.spines["right"].set_visible(False) ax.spines["bottom"].set_visible(False) ax.spines["left"].set_visible(False) plt.grid() plt.tight_layout plt.show()plot_step_lda()
上方散点图展示了我们通过 LDA 构建的新的特征子空间。可以看到第一个线性判别器“LD1”把不同类数据区分得不错,第二个线性判别器就不行了。其原因在上面已经做了简单解释。
PCA 和 LDA 的对比
为了与使用线性判别分析得到的特征子空间作比较,我们将使用 scikit-learn
机器学习库中的 PCA
类。文档看这里:http://scikit-learn.org/stable/modules/generated/sklearn.decomposition.PCA.html。
方便起见,我们直接在 n_components
参数上设定了希望从输入数据集中得到的成分数量。
n_components : int, None or stringNumber of components to keep. if n_components is not set all components are kept: n_components == min(n_samples, n_features) if n_components == ‘mle’, Minka’s MLE is used to guess the dimension if 0 < n_components < 1, select the number of components such that the amount of variance that needs to be explained is greater than the percentage specified by n_components
但是在观察两种线性变换的结果之前,让我们快速复习一下 PCA 和 LDA 的目标:PCA 在整个数据集中寻找方差最大的坐标轴,而 LDA 则寻找对于类别区分度最佳的坐标轴。
实际的降维步骤中,经常是LDA放在PCA之后使用。
from sklearn.decomposition import PCA as sklearnPCAsklearn_pca = sklearnPCA(n_components=2)X_pca = sklearn_pca.fit_transform(X)def plot_pca(): ax = plt.subplot(111) for label,marker,color in zip( range(1,4),('^', 's', 'o'),('blue', 'red', 'green')): plt.scatter(x=X_pca[:,0][y == label], y=X_pca[:,1][y == label], marker=marker, color=color, alpha=0.5, label=label_dict[label] ) plt.xlabel('PC1') plt.ylabel('PC2') leg = plt.legend(loc='upper right', fancybox=True) leg.get_frame().set_alpha(0.5) plt.title('PCA: Iris projection onto the first 2 principal components') # hide axis ticks plt.tick_params(axis="both", which="both", bottom="off", top="off", labelbottom="on", left="off", right="off", labelleft="on") # remove axis spines ax.spines["top"].set_visible(False) ax.spines["right"].set_visible(False) ax.spines["bottom"].set_visible(False) ax.spines["left"].set_visible(False) plt.tight_layout plt.grid() plt.show()
然后执行
plot_pca()plot_step_lda()
回想我们之前讨论的内容:PCA 获取数据集中方差最大的成分,而LDA给出不同类别间方差最大的坐标轴。
使用 scikit-learn 中的 LDA
我们已经看到,线性判别分析是如何一步步实现的了。其实通过使用 scikit-learn
机器学习库中的 LDA
,我们可以更方便地实现同样的结果。
from sklearn.discriminant_analysis import LinearDiscriminantAnalysis as LDA# LDAsklearn_lda = LDA(n_components=2)X_lda_sklearn = sklearn_lda.fit_transform(X, y)
作图:
def plot_scikit_lda(X, title): ax = plt.subplot(111) for label,marker,color in zip( range(1,4),('^', 's', 'o'),('blue', 'red', 'green')): plt.scatter(x=X[:,0][y == label], y=X[:,1][y == label] * -1, # flip the figure marker=marker, color=color, alpha=0.5, label=label_dict[label]) plt.xlabel('LD1') plt.ylabel('LD2') leg = plt.legend(loc='upper right', fancybox=True) leg.get_frame().set_alpha(0.5) plt.title(title) # hide axis ticks plt.tick_params(axis="both", which="both", bottom="off", top="off", labelbottom="on", left="off", right="off", labelleft="on") # remove axis spines ax.spines["top"].set_visible(False) ax.spines["right"].set_visible(False) ax.spines["bottom"].set_visible(False) ax.spines["left"].set_visible(False) plt.grid() plt.tight_layout plt.show()
执行
plot_step_lda()plot_scikit_lda(X_lda_sklearn, title='Default LDA via scikit-learn')
关于规范化
最近被问到了这个问题,所以我做一下说明:对特征做尺度变换,比如【规范化】,不会改变LDA的最终结果,所以这是可选步骤。的确,散布矩阵会因为特征的缩放而发生变化,而且本征向量也因此而改变。但是关键的部分在于,最终本征值不会变——唯一可见的不同只是成分轴的尺度大小。这在数学上是可以证明的(将来我可能在这儿插入一些公式)。
%matplotlib inlineimport pandas as pdimport matplotlib.pyplot as pltimport pandas as pddf = pd.read_csv('https://archive.ics.uci.edu/ml/machine-learning-databases/iris/iris.data', header=None)df[4] = df[4].map({'Iris-setosa':0, 'Iris-versicolor':1, 'Iris-virginica':2})df.tail()
读取数据集,对 X
中的列做规范化。规范化就是把数据用均值做中心化、用标准差做单位化:
这样所有的列就都是 0 均值(
y, X = df.iloc[:, 4].values, df.iloc[:, 0:4].valuesX_cent = X - X.mean(axis=0)X_std = X_cent / X.std(axis=0)
接下来我简单复制了一下LDA的各个步骤,这些之前我们都讨论过了。为简便都写成了Python函数。
import numpy as npdef comp_mean_vectors(X, y): class_labels = np.unique(y) n_classes = class_labels.shape[0] mean_vectors = [] for cl in class_labels: mean_vectors.append(np.mean(X[y==cl], axis=0)) return mean_vectorsdef scatter_within(X, y): class_labels = np.unique(y) n_classes = class_labels.shape[0] n_features = X.shape[1] mean_vectors = comp_mean_vectors(X, y) S_W = np.zeros((n_features, n_features)) for cl, mv in zip(class_labels, mean_vectors): class_sc_mat = np.zeros((n_features, n_features)) for row in X[y == cl]: row, mv = row.reshape(n_features, 1), mv.reshape(n_features, 1) class_sc_mat += (row-mv).dot((row-mv).T) S_W += class_sc_mat return S_Wdef scatter_between(X, y): overall_mean = np.mean(X, axis=0) n_features = X.shape[1] mean_vectors = comp_mean_vectors(X, y) S_B = np.zeros((n_features, n_features)) for i, mean_vec in enumerate(mean_vectors): n = X[y==i+1,:].shape[0] mean_vec = mean_vec.reshape(n_features, 1) overall_mean = overall_mean.reshape(n_features, 1) S_B += n * (mean_vec - overall_mean).dot((mean_vec - overall_mean).T) return S_Bdef get_components(eig_vals, eig_vecs, n_comp=2): n_features = X.shape[1] eig_pairs = [(np.abs(eig_vals[i]), eig_vecs[:,i]) for i in range(len(eig_vals))] eig_pairs = sorted(eig_pairs, key=lambda k: k[0], reverse=True) W = np.hstack([eig_pairs[i][1].reshape(4, 1) for i in range(0, n_comp)]) return W
先把还没有做尺度变换的数据的本征值、本征向量和投影矩阵打印出来:
S_W, S_B = scatter_within(X, y), scatter_between(X, y)eig_vals, eig_vecs = np.linalg.eig(np.linalg.inv(S_W).dot(S_B))W = get_components(eig_vals, eig_vecs, n_comp=2)print('EigVals: %s\n\nEigVecs: %s' % (eig_vals, eig_vecs))print('\nW: %s' % W)
结果:
EigVals: [ 2.0905e+01 +0.0000e+00j 1.4283e-01 +0.0000e+00j -2.8680e-16 +1.9364e-15j -2.8680e-16 -1.9364e-15j]EigVecs: [[ 0.2067+0.j 0.0018+0.j 0.4846-0.4436j 0.4846+0.4436j] [ 0.4159+0.j -0.5626+0.j 0.0599+0.1958j 0.0599-0.1958j] [-0.5616+0.j 0.2232+0.j 0.1194+0.1929j 0.1194-0.1929j] [-0.6848+0.j -0.7960+0.j -0.6892+0.j -0.6892-0.j ]]W: [[ 0.2067+0.j 0.0018+0.j] [ 0.4159+0.j -0.5626+0.j] [-0.5616+0.j 0.2232+0.j] [-0.6848+0.j -0.7960+0.j]]
作图:
X_lda = X.dot(W)for label,marker,color in zip( np.unique(y),('^', 's', 'o'),('blue', 'red', 'green')): plt.scatter(X_lda[y==label, 0], X_lda[y==label, 1], color=color, marker=marker)
再对规范化之后的数据集重复上述操作:
S_W, S_B = scatter_within(X_std, y), scatter_between(X_std, y)eig_vals, eig_vecs = np.linalg.eig(np.linalg.inv(S_W).dot(S_B))W_std = get_components(eig_vals, eig_vecs, n_comp=2)print('EigVals: %s\n\nEigVecs: %s' % (eig_vals, eig_vecs))print('\nW: %s' % W_std)
得到
EigVals: [ 2.0905e+01 1.4283e-01 -6.7207e-16 1.1082e-15]EigVecs: [[ 0.1492 -0.0019 0.8194 -0.3704] [ 0.1572 0.3193 -0.1382 -0.0884] [-0.8635 -0.5155 -0.5078 -0.5106] [-0.4554 0.7952 -0.2271 0.7709]]W: [[ 0.1492 -0.0019] [ 0.1572 0.3193] [-0.8635 -0.5155] [-0.4554 0.7952]]
作图:
X_std_lda = X_std.dot(W_std)X_std_lda[:, 0] = -X_std_lda[:, 0]X_std_lda[:, 1] = -X_std_lda[:, 1]for label,marker,color in zip( np.unique(y),('^', 's', 'o'),('blue', 'red', 'green')): plt.scatter(X_std_lda[y==label, 0], X_std_lda[y==label, 1], color=color, marker=marker)
可以看到,不管做不做尺度变化,本征值是一样的(要注意到,
- 线性判别分析简明入门教程
- 线性判别分析
- 线性判别分析
- 线性判别分析
- 线性判别分析
- 线性判别分析
- 线性判别分析
- 线性判别分析
- 线性判别分析(LDA)
- LDA 线性判别分析
- 线性判别分析LDA
- LDA 线性判别分析
- 线性判别分析(LDA)
- 线性判别分析 (LDA)
- 线性判别分析(LDA)
- 线性判别分析(一)
- 线性判别分析LDA
- 线性判别分析LDA
- 利用表达式树,计算一个加减乘除(可带括号)的表达式
- 最长递增子序列
- SpinControl控件与动态画图
- UVA 111 最长递增子序列
- TCP、UDP、IP 协议分析
- 线性判别分析简明入门教程
- POJ1239 dp (严格递增子序列)
- java中开辟新线程的两种方法以及区别
- POJ 1141 区间dp
- 英语考试 FZU
- JavaWeb性能优化
- 深入浅出vi(vim)编辑器篇章zero——初始vi(vim)
- HDU Advanced Fruits
- js异步加载的三种解决方案