机器学习降维之线性判别分析

1. LDA描述

线性判别分析(Linear Discriminant Analysis,LDA)是一种有监督学习算法，同时经常被用来对数据进行降维，它是Ronald Disher在1936年发明的，有些资料上也称位Fisher LDA。LDA是目前机器学习、数据挖掘领域中经典且热门的一种算法。

相比于PCA，LDA可以作为一种有监督的降维算法，在PCA中，算法没有考虑数据的类别，自己把原数据映射到方差较大的方向上而已

如下图，红色的点代表class1类别的数据，蓝色代表class2的数据，根据PCA算法，数据应该映射到方差最大的方向，即Y轴，但是class1和class2两个不同类别的数据就会完全的混合在一起，很难区分开。所以使用PCA算法进行降维后再进行分类的效果会非常差，这时候就需要我们使用LDA算法，将数据映射到X轴上。

下面我们从二分类分析LDA原理

import numpy as np
import matplotlib.pyplot as plt

c1_x = np.random.uniform(-0.5,-2,100)
c1_y = np.random.uniform(-10,10,100)

c2_x = np.random.uniform(0.5,2,100)
c2_y = np.random.uniform(-10,10,100)

l1_x = [0 for _ in range(24)]
l1_y = [i for i in range(-12,12,1)]
l2_x = [i for i in range(-4,5,1)]
l2_y = [0 for _ in range(9)]

plt.scatter(c1_x,c1_y,c = 'r',marker = 'o',label='class1')
plt.scatter(c2_x,c2_y,c = 'b',marker = '*',label='class2')
plt.plot(l1_x,l1_y,'black',label='X')
plt.plot(l2_x,l2_y,'g',label='Y')
plt.legend()
plt.xlim(-5, 5)
plt.ylim(-12, 12)
plt.show()

2. 从二分类分析LDA原理

先抛出LDA原理中心思想:最大化类间距离和最小化类内距离，再进行说明

从一个简单的二分类问题出发，有C1、C2两个类别的样本，两类的均值分别 μ₁ , μ₂, 我们希望投影之后两类之间的距离尽可能大

注：W^Tμ₁ 为 μ₁ 再 W 方向上的投影向量，从而转化为以下优化问题

容易发现，当 W 与 ( μ₁ − μ₂ ) 方向一致的时候，该距离最大

上面左边的图是按照最大化两类投影中心距离的准则绘制的，会发现原本可以被线性划分的两类样本，经过投影后又了一定程度的重叠

上面右边的图就是按照最大类间距，最小类内距思想绘制的，虽然两类的中心在投影之后的距离又所减小，但确使投影之后样本的可区分性提高了

如何表示类内距离？可以使用类内方差，类内方差定义为各个类分别的方差和，有类内距离表示再结合上图说明，继续对上面的优化函数进行优化得到：

注：D1为C1的类内方差和，D2为C2的类内方差和

3. LDA求解方法

看到这里就以及很清楚了，我们最大化目标对应一个矩阵的特征值，于是LDA降维变成了一个求矩阵特征向量的问题。J(W)就对应矩阵S_w⁻¹S_B 的最大的特征值，而投影方向就是这个特征值对应的特征向量

将二分类推广到多分类也得到同样的结论，总结具有多个列别标签高维的LDA求解方法：

(1)计算数据集中每个类别样本的均值向量 μ_j , 以及总体均值向量 μ
(2)计算类内散度矩阵 S_W , 全局散度矩阵 S_T , 并得到类间散度矩阵 S_B = S_T − S_W
(3)对矩阵 S_w⁻¹S_B 进行特征值分解，将特征值从大到小排列
(4)特征值前 d 大的对应的特征向量 W₁ , W₂ , ... , W_d，通过以下映射将 n 维映射到 d 维：

参考：《百面机器学习》

本文转自：博客园 - Fate0729 ，转载此文目的在于传递更多信息，版权归原作者所有。