線性判別分析（LDA）
今天學習一個分類算法-線性判別分析 Fisher線性判別分析 簡單來說就是把不同類別的數據集投影到可以分開的程度，並用下式來衡量投影可分的程度。其中，μ1-μ2>表示兩類別均值的距離，s12 +s22表示兩類別散度平方和。 於是利用此公式尋找分類效果最佳的投影矩陣~ 推導過程如下：
相關文章
- 1. 線性判別分析LDA
- 2. LDA線性判別分析
- 3. LDA(線性判別分析)
- 4. 線性判別分析(LDA)
- 5. LDA 線性判別分析
- 6. 線性判別分析（LDA）
- 7. LDA——線性判別分析
- 8. 線性判別分析【LDA】
- 9. 線性分類判別LDA
- 10. LDA（線性判別分析，Linear Discriminant Analysis）
- 更多相關文章...
- • SVG 漸變 - 線性 - SVG 教程
- • C# 多線程 - C#教程
- • 互聯網組織的未來：剖析GitHub員工的任性之源
- • JDK13 GA發佈：5大特性解讀
相關標籤/搜索
每日一句
-
每一个你不满意的现在，都有一个你没有努力的曾经。
歡迎關注本站公眾號,獲取更多信息
相關文章
- 1. 線性判別分析LDA
- 2. LDA線性判別分析
- 3. LDA(線性判別分析)
- 4. 線性判別分析(LDA)
- 5. LDA 線性判別分析
- 6. 線性判別分析（LDA）
- 7. LDA——線性判別分析
- 8. 線性判別分析【LDA】
- 9. 線性分類判別LDA
- 10. LDA（線性判別分析，Linear Discriminant Analysis）