Lineare Diskriminanzanalyse (LDA)
Die Lineare Diskriminanzanalyse (LDA) ist eine überwachte Methode zur Dimensionsreduktion und Klassifizierung, die 1936 von Ronald A. Fisher eingeführt wurde. Sie findet Linearkombinationen von Merkmalen, die vordefinierte Klassen maximal trennen und dabei so viel klassendiskriminierende Information wie möglich erhalten. Sie dient gleichzeitig als Merkmalsprojektionstechnik und als probabilistischer Klassifikator, was sie zu einer der grundlegenden Methoden in der Mustererkennung und im statistischen Lernen macht.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- Fisher, R. A. (1936). The use of multiple measurements in taxonomic problems. Annals of Eugenics, 7(2), 179–188. DOI: 10.1111/j.1469-1809.1936.tb02137.x ↗
- Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction (2nd ed., Ch. 4). Springer. ISBN: 978-0-387-84857-0
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Linear Discriminant Analysis (Fisher's LDA). ScholarGate. https://scholargate.app/de/machine-learning/linear-discriminant-analysis
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Logistische RegressionForschungsstatistik↔ compare
- Naive BayesMaschinelles Lernen↔ compare
- Quadratische Diskriminanzanalyse (QDA)Maschinelles Lernen↔ compare
- Random ForestMaschinelles Lernen↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →