LinearDiscriminantAnalysis參數、屬性和方法

【LDA】線性判別分析

參數：

solver：一個字符串，指定了求解最優化問題的算法，能夠爲以下的值。

• 'svd'：奇異值分解。對於有大規模特徵的數據，推薦用這種算法。
• 'lsqr'：最小平方差，能夠結合skrinkage參數。
• 'eigen' ：特徵分解算法，能夠結合shrinkage參數。

skrinkage：字符串‘auto’或者浮點數活者None。該參數一般在訓練樣本數量小於特徵數量的場合下使用。該參數只有在solver=lsqr或者eigen下才有意義

• '字符串‘auto’：根據Ledoit-Wolf引理來自動決定shrinkage參數的大小。
• 'None：不使用shrinkage參數。
• 浮點數（位於0~1之間）：指定shrinkage參數。

priors：一個數組，數組中的元素依次指定了每一個類別的先驗機率。若是爲None，則認爲每一個類的先驗機率都是等可能的。

n_components：一個整數。指定了數組降維後的維度（該值必須小於n_classes-1）。

store_covariance：一個布爾值。若是爲True，則須要額外計算每一個類別的協方差矩陣。

warm_start：一個布爾值。若是爲True，那麼使用前一次訓練結果繼續訓練，不然從頭開始訓練。

tol：一個浮點數。它指定了用於SVD算法中評判迭代收斂的閾值。

 

返回值

 

coef_：權重向量。

intercept：b值。

covariance_：一個數組，依次給出了每一個類別煩人協方差矩陣。

means_：一個數組，依次給出了每一個類別的均值向量。

xbar_：給出了總體樣本的均值向量。

n_iter_：實際迭代次數。

 

 

方法

 

fix(X,y)：訓練模型。

predict(X)：用模型進行預測，返回預測值。

score(X,y[,sample_weight])：返回（X，y）上的預測準確率（accuracy）。

predict_log_proba（X）：返回一個數組，數組的元素一次是 X 預測爲各個類別的機率的對數值。 
predict_proba（X）：返回一個數組，數組元素一次是 X 預測爲各個類別的機率的機率值