LDA-Kenntnisse zur linearen Diskriminanzanalyse in Python

LDA (Lineare Diskriminanzanalyse) ist eine klassische Methode der linearen Diskriminanzanalyse. Ihr Hauptzweck besteht darin, die Originaldaten in einen niedrigdimensionalen Raum zu projizieren und den Abstand zwischen den Klassen zu maximieren und den Abstand innerhalb der Klassen zu minimieren. In Python können wir das Scikit-learn-Paket nutzen, um den LDA-Trick zu implementieren.

LDA-Techniken können auf viele praktische Probleme angewendet werden, wie z. B. Bildklassifizierung, Gesichtserkennung, Textklassifizierung usw. In diesem Artikel stellen wir kurz die Prinzipien von LDA und die Schritte vor, um es für die Klassifizierung in Python zu verwenden.

1. Prinzip von LDA

Das Ziel von LDA ist es, den Abstand zwischen den einzelnen Kategorien zu maximieren und gleichzeitig den Abstand innerhalb jeder Kategorie zu minimieren. Bei Klassifizierungsproblemen möchten wir eine niedrigdimensionale Darstellung finden, die den Abstand zwischen Daten in verschiedenen Kategorien maximiert und den Abstand zwischen Daten innerhalb derselben Kategorie minimiert.

Um dies zu erreichen, müssen wir mit LDA-Techniken die folgenden Schritte ausführen:

• Berechnen Sie den Mittelwertvektor für jede Kategorie.
• Berechnen Sie Dispersionsmatrizen, einschließlich Streumatrizen innerhalb und zwischen Kategorien.
• Berechnen Sie die gemeinsame Streumatrix eines Datensatzes.
• Berechnen Sie den Projektionsvektor und projizieren Sie die Daten.

Kurz gesagt besteht das Ziel des LDA-Tricks darin, eine Projektionsmatrix zu finden, die hochdimensionale Daten in einen niedrigdimensionalen Raum abbildet und Abstände zwischen Kategorien und Abständen innerhalb von Kategorien beibehält.

2. Verwendung von LDA zur Klassifizierung in Python

In Python können wir LDA-Techniken zur Klassifizierung über das Scikit-learn-Paket verwenden.

Zuerst müssen wir das Modul importieren:

aus sklearn.discriminant_analysis import LinearDiscriminantAnalysis

Dann müssen wir die Trainingsdaten vorbereiten. Angenommen, wir haben ein Bildklassifizierungsproblem, können wir den folgenden Code verwenden, um die Trainingsdaten zu laden:

from sklearn.datasets import fetch_olivetti_faces

data = fetch_olivetti_faces().data

targets = fetch_olivetti_faces().target

Als nächstes we Der folgende Code kann verwendet werden, um die Daten in Trainings- und Testsätze aufzuteilen:

from sklearn.model_selection import train_test_split

X_train, Der LDA-Trick projiziert die Daten in einen zweidimensionalen Raum:

lda = LinearDiscriminantAnalysis(n_components=2)

X_train_lda = lda.fit_transform(X_train, y_train)

Schließlich können wir den folgenden Code verwenden, um zu trainieren Klassifizierer und transformieren Sie es in den Testdaten machen Vorhersagen:

von Sklearn.Neighbors importieren kneighborsclassifier

knn = KneigeighborsClassifier ()

knn.fit (x_train_lda, y_train)

x_test_lda = lda.transform (x_test)

xcuracy = knn.score(X_test_lda , y_test)

print("Accuracy:", Genauigkeit)

In diesem einfachen Modell haben wir den KNN-Klassifikator zur Klassifizierung verwendet und eine recht hohe Genauigkeit der Testdaten erreicht.

Zusammenfassung

Die LDA-Technik ist eine leistungsstarke lineare Diskriminanzanalysemethode, die auf viele praktische Probleme angewendet werden kann. In Python können wir den LDA-Trick über das Scikit-learn-Paket implementieren und bei Klassifizierungsproblemen verwenden. Unabhängig davon, ob Sie Bildklassifizierung, Gesichtserkennung, Textklassifizierung usw. durchführen, können Ihnen LDA-Techniken dabei helfen, bessere Klassifizierungsergebnisse zu erzielen.

Das obige ist der detaillierte Inhalt vonLDA-Kenntnisse zur linearen Diskriminanzanalyse in Python. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!