class sklearn.discriminant_analysis.LinearDiscriminantAnalysis(solver='svd', shrinkage=None, priors=None, n_components=None, store_covariance=False, tol=0.0001, covariance_estimator=None)
| 參數(shù) | 說明 |
|---|---|
| solver | 使用的求解器廓俭。‘svd’（默認(rèn)）：奇異值分解拦坠，不用計(jì)算協(xié)方差矩陣，因此該解決方案提倡在特征量較大時(shí)使用渐苏；‘lsqr’：最小二乘解呻畸，可與收縮或自定義協(xié)方差估計(jì)器結(jié)合使用翩蘸；‘eigen’：特征值分解，可與收縮或自定義協(xié)方差估計(jì)器結(jié)合使用变汪。 |
| shrinkage | 縮放參數(shù)侠坎。None（默認(rèn)）：無縮放；‘a(chǎn)uto’：使用Ledoit-Wolf引理來進(jìn)行自動(dòng)縮放裙盾；0和1之間的浮點(diǎn)數(shù)值：固定的縮放參數(shù)实胸。如果使用covariance_estimator，則應(yīng)該設(shè)置為None番官⊥郏縮放只在求解器設(shè)置為‘lsqr’和‘eigen’時(shí)才起作用。 |
| priors | 類先驗(yàn)概率鲤拿。形狀為(1_class, 2_class, ..., n_class)的數(shù)組假褪，默認(rèn)為None。默認(rèn)情況下近顷，類比例是從訓(xùn)練數(shù)據(jù)推斷出來的生音。 |
| n_components | int宁否，用于降維的組件數(shù)量（<=min(n_class-1, n_features)）。 默認(rèn)值為None缀遍。如果為None慕匠，則參數(shù)被設(shè)置為min(n_class-1, n_features)。該參數(shù)僅影響transform方法域醇。 |
| store_covariance | bool台谊，默認(rèn)為False。如果為True譬挚，則在求解器為‘svd’時(shí)顯式計(jì)算加權(quán)類內(nèi)協(xié)方差矩陣锅铅。始終為其他求解器計(jì)算和存儲矩陣。 |
| tol | float减宣，默認(rèn)為1.0e-4盐须。判斷X的奇異值是顯著性時(shí)的絕對閾值，用于估計(jì)X的秩漆腌。將丟棄奇異值為非顯著性的維度贼邓。僅當(dāng)求解器為‘svd’時(shí)才使用。 |
| covariance_estimator | 協(xié)方差估計(jì)器闷尿，默認(rèn)為None塑径。如果不是 None，則使用covariance_estimator來估計(jì)協(xié)方差矩陣填具，而不是依賴于經(jīng)驗(yàn)協(xié)方差估計(jì)器（具有潛在的收縮）晓勇。對象應(yīng)具有fit方法和covariance_屬性，如sklearn.covariance中的估計(jì)器灌旧。如果為None，則收縮參數(shù)驅(qū)動(dòng)估計(jì)值绰筛。如果使用收縮枢泰，則應(yīng)將其設(shè)置為None。請注意铝噩，covariance_estimator僅適用于"lsqr"和"特征"求解器衡蚂。 |
| 屬性 | 說明 |
|---|---|
| coef_ | 權(quán)重向量。形如(n_features,)或(n_classes, n_features)的數(shù)組骏庸。 |
| intercept_ | 截距項(xiàng)毛甲。形如(n_classes,)的數(shù)組。 |
| covariance_ | 加權(quán)類內(nèi)協(xié)方差矩陣具被。形如(n_features, n_features)的數(shù)組玻募。其對應(yīng) |
| explained_variance_ratio_ | 由每個(gè)選定組件解釋的方差百分比艾栋。形如(n_components,)的數(shù)組爆存。如果未設(shè)置n_components，則存儲所有組件蝗砾，且解釋方差的總和等于1.0先较。僅當(dāng)使用eigen或svd求解器時(shí)才可用。 |
| means_ | 類間均值悼粮。形如(n_classes, n_features)的數(shù)組闲勺。 |
| priors_ | 類先驗(yàn)（總和為1）。形如(n_classes,)的數(shù)組矮锈。 |
| scalings_ | 在由類質(zhì)心所張成的空間中縮放特征霉翔。形如(rank, n_classes - 1)的數(shù)組。僅適用于使用‘svd‘或’eigen‘求解器時(shí)苞笨。 |
| xbar_ | 總均值债朵。形如(n_features,)的數(shù)組。 |
| classes_ | 唯一的類標(biāo)記瀑凝。形如(n_classes,)的數(shù)組序芦。 |
| n_features_in_ | 在fit中看到的特征數(shù)量。int |
| feature_names_in_ | 在fit中看到的特征名稱粤咪。形如(feature_names_in_,)谚中。僅當(dāng)X具有全部為字符串的特征名稱時(shí)才定義。 |
| 方法 | 說明 |
|---|---|
| decision_function(X) | 應(yīng)用決定函數(shù)（decision function）到由樣例組成的數(shù)組X上寥枝。 |
| fit(X, y) | 擬合線性判別分析模型宪塔。 |
| fit_transform(X[, y]) | 擬合數(shù)據(jù)，再將數(shù)據(jù)進(jìn)行變化囊拜。 |
| get_params([deep]) | 獲取此估計(jì)器的參數(shù)某筐。 |
| predict(X) | 預(yù)測X中樣本的類標(biāo)簽。 |
| predict_log_proba(X) | 估計(jì)對數(shù)概率冠跷。 |
| predict_proba(X) | 估計(jì)概率南誊。 |
| score(X, y[, sample_weight]) | 返回給定測試數(shù)據(jù)和標(biāo)簽的平均精度。 |
| set_params(**params) | 設(shè)置此估計(jì)器的參數(shù)蜜托。 |
| transform(X) | 映射數(shù)據(jù)以最大化類分隔抄囚。｜ |
代碼
代碼展示了LDA被用作降維手段。
import matplotlib.pyplot as plt
from sklearn import datasets
from sklearn.discriminant_analysis import LinearDiscriminantAnalysis
iris = datasets.load_iris()
X = iris.data
y = iris.target
target_names = iris.target_names
lda = LinearDiscriminantAnalysis(n_components=2)
X_r = lda.fit(X, y).transform(X)
colors = ["navy", "turquoise", "darkorange"]
plt.figure()
for color, i, target_name in zip(colors, [0, 1, 2], target_names):
plt.scatter(
X_r[y == i, 0], X_r[y == i, 1], alpha=0.8, color=color, label=target_name
)
plt.legend(loc="best", shadow=False, scatterpoints=1)
plt.title("LDA of IRIS dataset")
plt.show()
結(jié)果展示
output.png
