LDA線性降維

原理介紹

LDA(Linear Discriminant Analysis):核心思想就是投影后類內(nèi)方差(Qe)最小洒敏,類間方差(Qa)最大敲霍,它廣泛用于模式識別領(lǐng)域(人臉識別)刑桑,這個LDA要區(qū)別與自然語言處理領(lǐng)域的LDA(Linear DIrihlet Allocation)笨鸡。
上一張圖可能更好理解:

LDA

二分類
假設(shè)我們有數(shù)據(jù)集
[圖片上傳失敗...(image-c327d3-1542949423246)]={(x_1,y_1),(x_2,y_2)\dots(x_m,y_m)})
其中任意Xi為n維向量迫像,且[圖片上傳失敗...(image-ffb57e-1542949423246)]
我們定義Nj(j=0,1)為第j類樣本數(shù)蛀恩,Xj為j類樣本集合敌土,[圖片上傳失敗...(image-57b06d-1542949423246)])為j類樣本均值向量镜硕。圖片上傳失敗...(image-60c2d3-1542949423246)^T\qquad(j=0,1))為j類協(xié)方差矩陣。
由于是兩類數(shù)據(jù)返干,因此我們只需要將數(shù)據(jù)投影到一條直線上即可兴枯。假設(shè)我們的投影直線是向量w,則對任意一個樣本本xi,它在直線w的投影為[圖片上傳失敗...(image-47e754-1542949423246)]對于我們的兩個類別的中心點μ0,μ1,在在直線w的投影為[圖片上傳失敗...(image-a4f355-1542949423246)]和[圖片上傳失敗...(image-e94a3-1542949423246)]由于LDA需要讓不同類別的數(shù)據(jù)的類別中心之間的距離盡可能的大,也就是我們要最大化[圖片上傳失敗...(image-1daf59-1542949423246)]同時我們希望同一種類別數(shù)據(jù)的投影點盡可能的接近矩欠,也就是要同類樣本投影點的協(xié)方差wTΣ0w和wTΣ1w盡可能的小财剖,即最小化[圖片上傳失敗...(image-505a0e-1542949423246)]
綜上所述悠夯,我們的優(yōu)化目標(biāo)為:
[圖片上傳失敗...(image-b5aea4-1542949423246)]=\frac{||wTu_0-wTu_1||}{wT\Sigma_0w+wT\Sigma_1w})
優(yōu)化一下:
[圖片上傳失敗...(image-8450f1-1542949423246)]=\frac{wTS_bw}{wTS_ww})
利用廣義瑞利商的性質(zhì)可以求得解。們的J(w)最大值為矩陣[圖片上傳失敗...(image-810c6a-1542949423246)]的最大特征值躺坟,而對應(yīng)的w為[圖片上傳失敗...(image-2cd8c-1542949423246)]的最大特征值對應(yīng)的特征向量! 而[圖片上傳失敗...(image-105c1c-1542949423246)]的特征值和[圖片上傳失敗...(image-b9f7bf-1542949423246)]的特征值相同,[圖片上傳失敗...(image-d4bc10-1542949423246)]的特征向量w′和[圖片上傳失敗...(image-738b5-1542949423246)]的特征向量w滿足[圖片上傳失敗...(image-75f4e1-1542949423246)]的關(guān)系!

源碼中的實現(xiàn):

案例實現(xiàn):
LDA for iris

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_r2 = lda.fit(X, y).transform(X)

colors = ['r', 'g', 'y']
plt.figure()
for color, i, target_name in zip(colors, [0, 1, 2], target_names):
    plt.scatter(X_r2[y == i, 0], X_r2[y == 1, 1], alpha=.8, c=color, label=target_name)
plt.legend(loc='best', shadow=False, scatterpoints=1)
plt.title('LDA of IRIS dataset')
plt.show()

效果展示:

2018-11-23 12-57-41屏幕截圖.png

相對于上篇PCA on iris的效果好了很多
LDA for hdw_digits

from sklearn import datasets
import numpy as np
import matplotlib.pyplot as plt
from sklearn.discriminant_analysis import LinearDiscriminantAnalysis
from sklearn.preprocessing import scale
from sklearn.cluster import KMeans
np.random.seed(7)

digits = datasets.load_digits()
data = digits.data
labels = digits.target
data = scale(data)
n_samples, n_features = data.shape
n_digits = len(np.unique(labels))

print("n_digits: %d, \t n_samples %d, \t n_features %d" % (n_digits, n_samples, n_features))

reduce_data = LinearDiscriminantAnalysis(n_components=2).fit_transform(data, labels)
kmeans = KMeans(n_clusters=n_digits, init='k-means++', n_init=10)
kmeans.fit(reduce_data)

plt.figure()
plt.clf()
colors = ['b', 'c', 'g', 'k', 'm', 'r', 'navy', 'y', 'darkorange', 'turquoise']
target_names = range(10)
centroids = kmeans.cluster_centers_
for (color, i, target_name) in zip(colors, target_names, target_names):
    plt.scatter(reduce_data[labels == i, 0], reduce_data[labels == i, 1], s=2, color=color, lw=2, label=target_name)
plt.legend(loc='best', shadow=False, scatterpoints=1)
plt.scatter(centroids[:, 0], centroids[:, 1], marker='v', s=100, linewidths=3, color=colors, zorder=10)
plt.show()

效果展示:

2018-11-23 13-00-00屏幕截圖.png

我們發(fā)現(xiàn)和PCA&k-means on hdw_digits相比有幾個數(shù)字已經(jīng)分的很開了沦补。

?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請聯(lián)系作者
  • 序言:七十年代末,一起剝皮案震驚了整個濱河市咪橙,隨后出現(xiàn)的幾起案子夕膀,更是在濱河造成了極大的恐慌,老刑警劉巖美侦,帶你破解...
    沈念sama閱讀 222,946評論 6 518
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件产舞,死亡現(xiàn)場離奇詭異,居然都是意外死亡音榜,警方通過查閱死者的電腦和手機庞瘸,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 95,336評論 3 399
  • 文/潘曉璐 我一進店門,熙熙樓的掌柜王于貴愁眉苦臉地迎上來赠叼,“玉大人擦囊,你說我怎么就攤上這事∽彀欤” “怎么了瞬场?”我有些...
    開封第一講書人閱讀 169,716評論 0 364
  • 文/不壞的土叔 我叫張陵,是天一觀的道長涧郊。 經(jīng)常有香客問我贯被,道長,這世上最難降的妖魔是什么妆艘? 我笑而不...
    開封第一講書人閱讀 60,222評論 1 300
  • 正文 為了忘掉前任彤灶,我火速辦了婚禮,結(jié)果婚禮上批旺,老公的妹妹穿的比我還像新娘幌陕。我一直安慰自己,他們只是感情好汽煮,可當(dāng)我...
    茶點故事閱讀 69,223評論 6 398
  • 文/花漫 我一把揭開白布搏熄。 她就那樣靜靜地躺著,像睡著了一般暇赤。 火紅的嫁衣襯著肌膚如雪心例。 梳的紋絲不亂的頭發(fā)上,一...
    開封第一講書人閱讀 52,807評論 1 314
  • 那天鞋囊,我揣著相機與錄音止后,去河邊找鬼。 笑死溜腐,一個胖子當(dāng)著我的面吹牛译株,可吹牛的內(nèi)容都是我干的微饥。 我是一名探鬼主播,決...
    沈念sama閱讀 41,235評論 3 424
  • 文/蒼蘭香墨 我猛地睜開眼古戴,長吁一口氣:“原來是場噩夢啊……” “哼!你這毒婦竟也來了矩肩?” 一聲冷哼從身側(cè)響起现恼,我...
    開封第一講書人閱讀 40,189評論 0 277
  • 序言:老撾萬榮一對情侶失蹤,失蹤者是張志新(化名)和其女友劉穎黍檩,沒想到半個月后叉袍,有當(dāng)?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體,經(jīng)...
    沈念sama閱讀 46,712評論 1 320
  • 正文 獨居荒郊野嶺守林人離奇死亡刽酱,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點故事閱讀 38,775評論 3 343
  • 正文 我和宋清朗相戀三年喳逛,在試婚紗的時候發(fā)現(xiàn)自己被綠了。 大學(xué)時的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片棵里。...
    茶點故事閱讀 40,926評論 1 353
  • 序言:一個原本活蹦亂跳的男人離奇死亡润文,死狀恐怖,靈堂內(nèi)的尸體忽然破棺而出殿怜,到底是詐尸還是另有隱情典蝌,我是刑警寧澤,帶...
    沈念sama閱讀 36,580評論 5 351
  • 正文 年R本政府宣布头谜,位于F島的核電站骏掀,受9級特大地震影響,放射性物質(zhì)發(fā)生泄漏柱告。R本人自食惡果不足惜截驮,卻給世界環(huán)境...
    茶點故事閱讀 42,259評論 3 336
  • 文/蒙蒙 一、第九天 我趴在偏房一處隱蔽的房頂上張望际度。 院中可真熱鬧葵袭,春花似錦、人聲如沸甲脏。這莊子的主人今日做“春日...
    開封第一講書人閱讀 32,750評論 0 25
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽块请。三九已至娜氏,卻和暖如春,著一層夾襖步出監(jiān)牢的瞬間墩新,已是汗流浹背贸弥。 一陣腳步聲響...
    開封第一講書人閱讀 33,867評論 1 274
  • 我被黑心中介騙來泰國打工, 沒想到剛下飛機就差點兒被人妖公主榨干…… 1. 我叫王不留海渊,地道東北人绵疲。 一個月前我還...
    沈念sama閱讀 49,368評論 3 379
  • 正文 我出身青樓哲鸳,卻偏偏與公主長得像,于是被迫代替她去往敵國和親盔憨。 傳聞我的和親對象是個殘疾皇子徙菠,可洞房花燭夜當(dāng)晚...
    茶點故事閱讀 45,930評論 2 361

推薦閱讀更多精彩內(nèi)容