LDA——线性判别分析基本推导与实验

Posted 2022-01-14 颀

介绍与推导

　　LDA是线性判别分析的英文缩写，该方法旨在通过将多维的特征映射到一维来进行类别判断。映射的方式是将数值化的样本特征与一个同维度的向量做内积，即：

$y=w^Tx$

　　因此，建立模型的目标就是找到一个最优的向量，使映射到一维后的不同类别的样本之间“距离”尽可能大，而同类别的样本之间“距离”尽可能小，使分类尽可能准确。

　　具体来说，就是使映射后类内样本方差尽可能小，类间样本方差尽可能大。也就是（这里为二分类，多分类类似）：

$ \\beginalign* &\\quad \\min\\limits_w \\left[\\sum\\limits_x\\in X_0(w^Tx-w^T\\mu_0)^2+\\sum\\limits_x\\in X_1(w^Tx-w^T\\mu_1)^2\\right]\\\\ &=\\min\\limits_w w^T \\left[\\sum\\limits_x\\in X_0(x-\\mu_0)(x-\\mu_0)^T+\\sum\\limits_x\\in X_1(x-\\mu_1)(x-\\mu_1)^T\\right]w \\\\ &=\\min\\limits_w w^TS_ww \\\\ \\endalign* $

　　和

$ \\beginalign* &\\quad \\max\\limits_w \\left[(w^T\\mu_0-\\fracw^T\\mu_0+w^T\\mu_12)^2+(w^T\\mu_1-\\fracw^T\\mu_0+w^T\\mu_12)^2\\right]\\\\ &=\\max\\limits_w \\frac12w^T(\\mu_0-\\mu_1)(\\mu_0-\\mu_1)^Tw\\\\ &=\\max\\limits_w \\frac12w^TS_bw \\\\ \\endalign*  $

 　　因为自变量只有$w$，不一定二者都能同时达到最优，所以整合到一起取下式的最大值：

$J = \\displaystyle \\fracw^TS_bww^TS_ww$

 　　也就是：

$ \\beginalign* &\\min\\limits_w -w^TS_bw\\\\ &\\texts.t.\\,\\, w^TS_ww = 1 \\endalign*   $

 　　因为$S_w$正定，$S_b$半正定，所以使用拉格朗日乘子法（点击链接），最终得到：

$w = S_w^-1(\\mu_0-\\mu_1)$

　　其中$S_w^-1$是$S_w$的伪逆。

实验

西瓜数据集

　　实验用数据集为西瓜数据集：  

　　将数据填入Excel中后，在python中读取，然后使用处理好的数据计算出$w$，最后进行测试。

　　各个样本点、映射平面以及映射后的样本点如下图所示：

 

　　可以看到两类的样本点明显不是线性可分的，因此，不论如何选取一次的线性映射，都不可能将两类样本完全分开。而找到的映射平面将样本映射到一维后（即在右图的Z轴上），依然是很多不同类别的点穿插在一起。

　　因此，判别训练集的正确率较低：

　　仅0.7。

线性数据集

　　为了测试LDA在线性可分特征数据集上的性能，以二维正态分布生成如下样本点：

 　　其中蓝色点均值为$[1,5]$，红色为$[5,1]$；两类样本的协方差矩阵都为：

$\\left[\\beginmatrix1.4&1\\\\1&5\\\\\\endmatrix\\right]$

 　　映射图如下：

　　判断结果如下：

　　正确率提高到了0.99，可见LDA在线性可分数据上的性能还是不错的。

实验代码

　　LDA代码（数据输入data.xlsx中第一个表即可）：

 1 #%%
 2 import matplotlib.pyplot as plt
 3 import numpy as np 
 4 import xlrd 
 5 
 6 table = xlrd.open_workbook(test.xlsx).sheets()[0]#读取Excel数据
 7 data = []
 8 for i in range(1,table.nrows):#假设第一行是表头不读入
 9     data.append(table.row_values(i))  
10 class0 = []
11 class1 = []
12 #划分正反特征集，编号第一列，类别最后一列，特征在中间
13 for i in data:
14     if i[-1] == 0:
15         class0.append(i[1:-1])
16     else:
17         class1.append(i[1:-1])
18 data = np.array(data) #转为数字矩阵
19 class0 = np.array(class0) #特征都是行向量，组成矩阵
20 class1 = np.array(class1) 
21 
22 # %%
23 #计算相应类别特征的平均
24 n0 = len(class0)
25 n1 = len(class1)
26 miu0 = np.dot(np.ones([1,n0]),class0)/n0
27 miu1 = np.dot(np.ones([1,n1]),class1)/n1 
28 
29 #%%
30 #计算类内散度矩阵
31 s0 = class0 - miu0  
32 s1 = class1 - miu1
33 Sw = np.dot(s0.transpose(),s0)+np.dot(s1.transpose(),s1)  
34 W = np.dot(np.linalg.pinv(Sw),(miu0-miu1).transpose()) #计算W
35 #输出W、miu0和miu1在映射后的值
36 miu0_LDA = np.dot(miu0,W)
37 miu1_LDA = np.dot(miu1,W)
38 print("变换向量W：")
39 print(W)
40 print("0类的LDA均值："+str(miu0_LDA[0,0]))
41 print("1类的LDA均值："+str(miu1_LDA[0,0]))
42 
43 #%%
44 #判断类别
45 c_discrim = np.dot(data[:,1:-1],W)  
46 #统计正确率
47 right = 0
48 for i in range(len(data)):
49     if np.abs(miu0_LDA[0,0] - c_discrim[i]) < np.abs(miu1_LDA[0,0] - c_discrim[i]):
50         if data[i][-1] == 0:
51             right +=1 
52     else:
53         if data[i][-1] == 1:
54             right +=1 
55 print("正确率："+str(right / len(data)))
56 
57 #%%
58 #画图(仅适用于二维特征) 
59 ##################图一
60 fig = plt.figure() 
61 ax = fig.add_subplot(121,projection = 3d)  
62 plt.xlabel("Feature 1")
63 plt.ylabel("Feature 2") 
64 ax.plot(class0[:,0],class0[:,1],o,label = Class0,color = "red") #0类
65 ax.plot([miu0[0,0]],[miu0[0,1]],*,label = Class0 average,color = "black",markersize = 10) #0类平均
66 ax.plot(class1[:,0],class1[:,1],o,label = Class1,color = "blue") #1类  
67 ax.plot([miu1[0,0]],[miu1[0,1]],*,label = Class1 average,color = "green",markersize = 10) #1类平均  
68 #映射平面
69 t = np.linspace(-5,10,10) 
70 X,Y = np.meshgrid(t,t)
71 ax.plot_surface(X,Y,X*W[0]+Y*W[1],alpha = 0.5)
72 ax.legend(loc = upper left)
73 
74 ##################图二
75 ax = fig.add_subplot(122,projection = 3d)  
76 plt.xlabel("Feature 1")
77 plt.ylabel("Feature 2") 
78 ax.plot(class0[:,0],class0[:,1],np.dot(class0,W)[:,0],o,label = Mapping Class0,color = "red") #0类映射
79 ax.plot([miu0[0,0]],[miu0[0,1]],np.dot(miu0[0],W),*,label = Mapping class0 average,color = "black",markersize = 10) #0类平均映射
80 ax.plot(class1[:,0],class1[:,1],np.dot(class1,W)[:,0],o,label = Mapping Class1,color = "blue") #1类映射
81 ax.plot([miu1[0,0]],[miu1[0,1]],np.dot(miu1[0],W),*,label = Mapping class1 average,color = "green",markersize = 10) #1类平均映射
82 ax.plot(np.zeros([len(class0)]),np.zeros([len(class0)]),np.dot(class0,W)[:,0],o,color = "red",alpha = 0.5)  #0类映射值
83 ax.plot(np.zeros([len(class1)]),np.zeros([len(class1)]),np.dot(class1,W)[:,0],o,color = "blue",alpha = 0.5)   #1类映射值
84 ax.plot([np.zeros([1])],np.zeros([1]),np.dot(miu0[0],W),*,color = "black",alpha = 0.5,markersize = 10)  #0类平均映射值
85 ax.plot([np.zeros([1])],np.zeros([1]),np.dot(miu1[0],W),*,color = "green",alpha = 0.5,markersize = 10) #1类平均映射值
86 #映射平面 
87 X,Y = np.meshgrid(t,t)
88 ax.plot_surface(X,Y,X*W[0]+Y*W[1],alpha = 0.5)
89 ax.legend(loc = upper left)
90  
91 plt.show() 

　　生成线性数据集代码：

 1 import openpyxl 
 2 import numpy as np
 3 import matplotlib.pyplot as plt
 4  
 5 sampleNum = 200
 6  
 7 # 二维正态分布
 8 mu = np.array([[1, 5]])
 9 Sigma = np.array([[1.4, 1], [1, 5]])
10 s1 = np.dot(np.random.randn(sampleNum, 2), Sigma) + mu 
11 plt.plot(s1[:,0],s1[:,1],+,color=blue) 
12 
13 mu = np.array([[5, 1]]) 
14 Sigma = np.array([[1.4, 1], [1, 5]])
15 s2 = np.dot(np.random.randn(sampleNum, 2), Sigma) + mu 
16 plt.plot(s2[:,0],s2[:,1],+,color=red)
17 plt.xlabel(Feature1)
18 plt.ylabel(Feature2)
19 
20 plt.show()
21 data = openpyxl.Workbook()
22 table = data.create_sheet(test)
23 table.cell(1,1,id)
24 table.cell(1,2,feature1)
25 table.cell(1,3,feature2)
26 table.cell(1,4,class)
27 for i in range(sampleNum):
28     table.cell(i+2,1,i+1)
29     table.cell(i+2,2,s1[i][0])
30     table.cell(i+2,3,s1[i][1])
31     table.cell(i+2,4,0)
32 for i in range(sampleNum):
33     table.cell(i+1+sampleNum,1,i+1)
34     table.cell(i+1+sampleNum,2,s2[i][0])
35     table.cell(i+1+sampleNum,3,s2[i][1])
36     table.cell(i+1+sampleNum,4,1)
37 data.remove(data[Sheet])
38 data.save(test.xlsx)