Lineaire Discriminantanalyse (LDA)
Lineaire Discriminantanalyse is een gesuperviseerde methode voor dimensionaliteitsreductie en classificatie, geïntroduceerd door Ronald A. Fisher in 1936, die lineaire combinaties van kenmerken vindt die vooraf gedefinieerde klassen maximaal scheiden, terwijl zoveel mogelijk klasse-onderscheidende informatie behouden blijft. Het dient tegelijkertijd als een kenmerkprojectietechniek en een probabilistische classifier, waardoor het een van de fundamentele methoden is in patroonherkenning en statistisch leren.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
Bronnen
- 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
Deze pagina citeren
ScholarGate. (2026, June 3). Linear Discriminant Analysis (Fisher's LDA). ScholarGate. https://scholargate.app/nl/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 RegressieOnderzoeksstatistiek↔ compare
- Naïeve BayesMachine learning↔ compare
- Kwadratische discriminante analyse (QDA)Machine learning↔ compare
- Random ForestMachine learning↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →