Fisher线性判别

Posted

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了Fisher线性判别相关的知识,希望对你有一定的参考价值。

参考技术A 答:

(1)考虑把d维空间的样本投影到一条直线上,形成一维空间,即把维数压缩到一维。

(2)然而,即使样本在d维空间里形成若干紧凑的互相分得开的集群,当把它们投影到一条直线上时,也可能会是几类样本混在一起而变得无法识别。

(3)但是,在一般情况下,总可以找到某个方向,使在这个方向的直线上,样本的投影能分得开。

假设有一集合包含 个 维样本 ,若对 的分量做线性组合可得标量:

这样便得到 个一维样本 组成的集合。实际上, 的值是无关紧要的,它仅是 乘上一个比例因子,重要的是选择w的方向。 的方向不同,将使样本投影后的可分离程度不同,从而直接影响的分类效果。
因此,上述寻找最佳投影方向的问题,在数学上就是寻找最好的变换向量 的问题

其中 是类间离散度矩阵, 为类内离散度矩阵。
解:

其中: 和 为两类的均值。
附:

维 空间

(1)样本均值:

(2)类内离散度矩阵:

(3)类间离散度矩阵:

1维 空间
(1)样本均值

(2)类内离散度矩阵:

定义:

分子为均值之差,分母为样本在Y上类内离散度,应该使得分子尽可能大而分母尽可能小。
则分子可以化为:

同理,分母可以化为
则总体可以写为:

使用拉格朗日乘子法,令分母等于非零常数:

定义拉格朗日函数为:

令偏导数为零:

即:

其中 就是 的极值解。因为 非奇异,将上式两边左乘 ,可得:

上式为求一般矩阵 的特征值问题。利用 的定义,将上式左边的 写成:

其中 为一标量,所以 总在向量 的方向上。因此 可以写成:

从而可得:

因为目的是选择最佳投影方向,因此比例因子无影响,忽略比例因子 ,得到:

以上是关于Fisher线性判别的主要内容,如果未能解决你的问题,请参考以下文章

再现Fisher线性判别图

Fisher线性判别

Fisher(LDA) 判别分析

模式识别实验一:Fisher线性判别(LDA)

机器学习笔记:线性判别分析(Fisher)

fisher判别方法的主要特点是