机器学习降维之线性判别分析
阅读目录
- LDA描述
- 从二分类分析LDA原理
- LDA求解方法
回到顶部 - LDA描述
线性判别分析(Linear Discriminant Analysis,LDA)是一种由监督学习算法，同时经常被用来对数据进行降维，它是Ronald Disher在1936年发明的，有些资料上也称位Fisher LDA.LDA是目前机器学习、数据挖掘领域中经典且热门的一种算法
相比于PCA,LDA可以作为一种有监督的降维算法，在PCA中，算法没有考虑数据的类别，自己把原数据映射到方差较大的方向上而已
如下图，红色的点代表class1类别的数据，蓝色代表class2的数据，根据PCA算法，数据应该映射到方差最大的方向，即Y轴，但是class1和class2两个不同类别的数据就会完全的混合在一起，很难区分开。所以使用PCA算法进行降维后再进行分类的效果会非常差，这时候就需要我们使用LDA算法，将数据映射到X轴上。下面我们从二分类分析LDA原理
import numpy as np
import matplotlib.pyplot as plt
c1_x = np.random.uniform(-0.5,-2,100)
c1_y = np.random.uniform(-10,10,100)
c2_x = np.random.uniform(0.5,2,100)
c2_y = np.random.uniform(-10,10,100)
l1_x = [0 for _ in range(24)]
l1_y = [i for i in range(-12,12,1)]
l2_x = [i for i in range(-4,5,1)]
l2_y = [0 for _ in range(9)]
plt.scatter(c1_x,c1_y,c = 'r',marker = 'o',label='class1')
plt.scatter(c2_x,c2_y,c = 'b',marker = '*',label='class2')
plt.plot(l1_x,l1_y,'black',label='X')
plt.plot(l2_x,l2_y,'g',label='Y')
plt.legend()
plt.xlim(-5, 5)
plt.ylim(-12, 12)
plt.show()
回到顶部
- 从二分类分析LDA原理
先抛出LDA原理中心思想:最大化类间距离和最小化类内距离，再进行说明
从一个简单的二分类问题出发，有C1、C2两个类别的样本，两类的均值分别μ1,μ2μ1,μ2,我们希望投影之后两类之间的距离尽可能大
D(C1,C2)=||WTμ1−WTμ2||22
D(C1,C2)=||WTμ1−WTμ2||22
注:WTμ1为μ1再W方向上的投影向量WTμ1为μ1再W方向上的投影向量,从而转化为以下优化问题
{max||WTμ1−WTμ2||22s.t.WTW=1
{max||WTμ1−WTμ2||22s.t.WTW=1
容易发现,当W与(μ1−μ2)(μ1−μ2)方向一致的时候，该距离最大
上面左边的图是按照最大化两类投影中心距离的准则绘制的，会发现原本可以被线性划分的两类样本，经过投影后又了一定程度的重叠
上面右边的图就是按照最大类间距，最小类内距思想绘制的，虽然两类的中心在投影之后的距离又所减小，但确使投影之后样本的可区分性提高了
如何表示类内距离？可以使用类内方差，类内方差定义为各个类分别的方差和，有类内距离表示再结合上图说明，继续对上面的优化函数进行优化得到:
{maxJ(W)=||WTμ1−WTμ2||22D1+D2s.t.WTW=1
{maxJ(W)=||WTμ1−WTμ2||22D1+D2s.t.WTW=1
注:D1为C1的类内方差和，D2为C2的类内方差和
回到顶部
- LDA求解方法
{maxJ(W)=||WTμ1−WTμ2||22D1+D2s.t.WTW=1
{maxJ(W)=||WTμ1−WTμ2||22D1+D2s.t.WTW=1
D1=∑xϵC1(WT(xi−μ1))2=∑xϵC1WT(xi−μ1)(xi−μ1)TW
D1=∑xϵC1(WT(xi−μ1))2=∑xϵC1WT(xi−μ1)(xi−μ1)TW
D2=∑xϵC2(WT(xi−μ2))2=∑xϵC2WT(xi−μ2)(xi−μ2)TW
D2=∑xϵC2(WT(xi−μ2))2=∑xϵC2WT(xi−μ2)(xi−μ2)TW
因此J(W)可以写成:
J(W)=WT(μ1−μ2)(μ1−μ2)TW∑xϵCiWT(x−μi)(x−μi)TW
J(W)=WT(μ1−μ2)(μ1−μ2)TW∑xϵCiWT(x−μi)(x−μi)TW
定义类间距离SB=(μ1−μ2)(μ1−μ2)TSB=(μ1−μ2)(μ1−μ2)T,类内距离SW=∑xϵCi(x−μi)(x−μi)TSW=∑xϵCi(x−μi)(x−μi)T
则:
J(W)=WTSBWWTSWW
J(W)=WTSBWWTSWW
对W求导，并令导数为0
(WTSWW)SBW=(WTSBW)SWW
(WTSWW)SBW=(WTSBW)SWW
令λ=J(W)=WTSBWWTSWWλ=J(W)=WTSBWWTSWW则有:
SBW=λSwW
SBW=λSwW
整理得到:
Sw−1SBW=λW
Sw−1SBW=λW
看到这里就以及很清楚了,我们最大化目标对应一个矩阵的特征值，于是LDA降维变成了一个求矩阵特征向量的问题。J(W)J(W)就对应矩阵Sw−1SBSw−1SB的最大的特征值，而投影方向就是这个特征值对应的特征向量
将二分类推广到多分类也得到同样的结论，总结具有多个列别标签高维的LDA求解方法：
(1)计算数据集中每个类别样本的均值向量μjμj,以及总体均值向量μμ
(2)计算类内散度矩阵SWSW,全局散度矩阵STST,并得到类间散度矩阵SB=ST−SWSB=ST−SW
(3)对矩阵SW−1SB进行特征值分解，将特征值从大到小排列SW−1SB进行特征值分解，将特征值从大到小排列
(4)特征值前d大的对应的特征向量W1,W2,...,WdW1,W2,...,Wd，通过以下映射将n维映射到d维:
Xi´=(WT1xi,WT2xi,...,WTdxi)T
Xi´=(W1Txi,W2Txi,...,WdTxi)T
参考：《百面机器学习》
原文地址https://www.cnblogs.com/xiaobingqianrui/p/11206834.html
