文章目录
- 一、LDA是什么？
- 二、LDA的代码实现（使用sklearn)
- 三、SVM是什么？
- 四、SVM的代码实现（月亮数据集）
- 1. 使用线性核
- 2. 多项式核
- 3. 高斯核
- 五、SVM的代码实现（鸢尾花数据集）
- 总结
线性判别分析LDA(Linear Discriminant Analysis)又称为Fisher线性判别，是一种监督学习的降维技术，也就是说它的数据集的每个样本都是有类别输出的，这点与PCA（无监督学习）不同。LDA在模式识别领域（比如人脸识别，舰艇识别等图形图像识别领域）中有非常广泛的应用。
假设我们有两类数据 分别为红色和蓝色，如下图所示，这些数据 特征是二维的，我们希望将这些数据投影到一维的一条直线，让每一种类别数据的投影点尽可能的接近，而红色和蓝色数据中心之间的距离尽可能的大。
训练数据集：
支持向量机（support vector machines, SVM）是一种二分类模型，它的基本模型是定义在特征空间上的间隔最大的线性分类器，间隔最大使它有别于感知机；SVM还包括核技巧，这使它成为实质上的非线性分类器。SVM的的学习策略就是间隔最大化，可形式化为一个求解凸二次规划的问题，也等价于正则化的合页损失函数的最小化问题。SVM的的学习算法就是求解凸二次规划的最优化算法。
导入包并展示数据：
首先是了解了LDA 和SVM 这两种算法的思想。LDA算法的核心是对数据集进行分类降维；而SVM是找到几何间距margin，处理线性可分问题，对应的非线性问题处理方法是：非线性SVM。
到此这篇lda主题分析原理（lda主题分类）的文章就介绍到这了,更多相关内容请继续浏览下面的相关推荐文章，希望大家都能在编程的领域有一番成就！
版权声明：
本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如若内容造成侵权、违法违规、事实不符，请将相关资料发送至xkadmin@xkablog.com进行投诉反馈，一经查实，立即处理！
转载请注明出处，原文链接：https://www.xkablog.com/bcyy/48402.html