降维算法之LDA原理推导
2018-04-11 14:23
337 查看
6. LDA算法的主要优点有:1)在降维过程中可以使用类别的先验知识经验,而像PCA这样的无监督学习则无法使用类别先验知识。2)LDA在样本分类信息依赖均值而不是方差的时候,比PCA之类的算法较优。7.LDA算法的主要缺点有:1)LDA不适合对非高斯分布样本进行降维,PCA也有这个问题。2)LDA降维最多降到类别数k-1的维数,如果我们降维的维度大于k-1,则不能使用LDA。当然目前有一些LDA的进化版算法可以绕过这个问题。3)LDA在样本分类信息依赖方差而不是均值的时候,降维效果不好。4)LDA可能过度拟合数据。8. LDA与PCA相同点: 1)两者均可以对数据进行降维。 2)两者在降维时均使用了矩阵特征分解的思想。 3)两者都假设数据符合高斯分布。不同点: 1)LDA是有监督的降维方法,而PCA是无监督的降维方法 2)LDA降维最多降到类别数k-1的维数,而PCA没有这个限制。 3)LDA除了可以用于降维,还可以用于分类。 4)LDA选择分类性能最好的投影方向,而PCA选择样本点投影具有最大方差的方向。 在某些数据分布下LDA比PCA降维较优,如下图所示:
相关文章推荐
- 降维算法之MDS原理推导
- 降维算法之KPCA原理推导
- 分类算法3----线性判别分析(LDA)原理和推导过程
- Adaboost 算法的原理与推导(JUly)
- Adaboost 算法的原理与推导
- KF算法学习(一):算法原理与推导
- Adaboost 算法的原理与推导
- Adaboost 算法的原理与推导
- 分类算法----线性可分支持向量机(SVM)算法的原理推导
- Adaboost 算法的原理与推导
- Adaboost 算法的原理与推导(读书笔记)
- Adaboost 算法的原理与推导
- Adaboost 算法的原理与推导
- Adaboost 算法的原理与推导
- Adaboost 算法的原理与推导
- Adaboost 算法的原理与推导
- scala---文档主题生成模型(LDA)算法原理及Spark MLlib调用实例(Scala/Java/python)
- Adaboost 算法的原理与推导
- Adaboost 算法的原理与推导
- LDA原理与推导