LDA和PCA在降维方面有什么区别?
计算机/软件
0 434
0
该提问暂无详细描述
收藏
2021-01-11 12:11 更新 要俩西柚 •  536
共 1 个回答
高赞 时间
0

主成分分析(PCA)和线性判别分析(LDA)是两种常用的数据预处理线性变换技术,用于降维,以选择可用于最终机器学习算法的相关特征。 PCA是一种无监督算法,常用于高维、相关数据的特征提取,PCA通过将特征转化为数据集中方差最大的正交分量轴来实现降维。 下图是使用iris数据集实现PCA算法的结果。我们看到,当我们转换到PCA空间时,特征之间的相关性已经被去除。 以下是主成分分析计算得出的有用指标摘要: 表格中数据显示,PC1、PC2和PC3贡献了99.5%的总方差,因此在最终的机器学习实现中,PC4可以忽略不计。 LDA的目标是找到优化类可分的特征子空间(参见下图)。因此LDA是一种有监督的算法。下图是使用LDA实现的iris数据集的输出。它表明了在LDA空间中鸢尾类的线性可分性。注意,LD1捕获了大多数类的可分辨性。

收藏
2021-01-11 12:17 更新 Lisa •  1097