1. 對scikit-learn中LDA類概述

　　　　在scikit-learn中， LDA類是sklearn.discriminant_analysis.LinearDiscriminantAnalysis。那既可以用于分類又可以用于降維。當然，應用場景最多的還是降維。和PCA類似，LDA降維基本也不用調(diào)參，只需要指定降維到的維數(shù)即可。

2. LinearDiscriminantAnalysis類概述

　　　　我們這里對LinearDiscriminantAnalysis類的參數(shù)做一個基本的總結(jié)。

　　　　1）solver : 即求LDA超平面特征矩陣使用的方法。可以選擇的方法有奇異值分解"svd"，最小二乘"lsqr"和特征分解"eigen"。一般來說特征數(shù)非常多的時候推薦使用svd，而特征數(shù)不多的時候推薦使用eigen。主要注意的是，如果使用svd，則不能指定正則化參數(shù)shrinkage進行正則化。默認值是svd

　　　　2）shrinkage：正則化參數(shù)，可以增強LDA分類的泛化能力。如果僅僅只是為了降維，則一般可以忽略這個參數(shù)。默認是None，即不進行正則化?？梢赃x擇"auto",讓算法自己決定是否正則化。當然我們也可以選擇不同的[0,1]之間的值進行交叉驗證調(diào)參。注意shrinkage只在solver為最小二乘"lsqr"和特征分解"eigen"時有效。

　　　　3）priors ：類別權(quán)重，可以在做分類模型時指定不同類別的權(quán)重，進而影響分類模型建立。降維時一般不需要關注這個參數(shù)。

　　　　4）

網(wǎng)友評論