Análise Discriminante Linear (LDA)
A Análise Discriminante Linear (LDA) é um método supervisionado para redução de dimensionalidade e classificação, introduzido por Ronald A. Fisher em 1936, que encontra combinações lineares de características que separam maximamente as classes predefinidas, preservando o máximo de informação discriminatória de classe possível. Serve simultaneamente como uma técnica de projeção de características e um classificador probabilístico, tornando-a um dos métodos fundamentais no reconhecimento de padrões e aprendizado estatístico.
Leia o método completo
Entre com uma conta gratuita para ler esta seção.
Method map
The neighbourhood of related methods — select a node to explore.
Fontes
- 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
Como citar esta página
ScholarGate. (2026, June 3). Linear Discriminant Analysis (Fisher's LDA). ScholarGate. https://scholargate.app/pt/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.
- Regressão LogísticaEstatística para pesquisa↔ compare
- Naive BayesAprendizado de máquina↔ compare
- Análise Discriminante Quadrática (QDA)Aprendizado de máquina↔ compare
- Random ForestAprendizado de máquina↔ compare
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →