เปรียบเทียบวิธี

	การวิเคราะห์การจำแนกประเภทเชิงเส้น (LDA	การวิเคราะห์องค์ประกอบหลัก
สาขาวิชา	สถิติศาสตร์	การเรียนรู้ของเครื่อง
ตระกูล	Hypothesis test	Machine learning
ปีกำเนิด	1936	2002
ผู้ริเริ่ม	Ronald A. Fisher	Jolliffe, I.T. (textbook); Pearson & Hotelling (origins)
ประเภท	Parametric linear classifier / dimensionality reduction	Unsupervised dimensionality reduction
แหล่งต้นตำรับ	Fisher, R.A. (1936). The Use of Multiple Measurements in Taxonomic Problems. Annals of Eugenics, 7(2), 179–188.	Jolliffe, I.T. (2002). Principal Component Analysis (2nd ed.). Springer.
ชื่อเรียกอื่น	LDA, Fisher's LDA, Fisher's linear discriminant, discriminant function analysis	Temel Bileşenler Analizi (PCA), PCA, principal components analysis, Karhunen-Loève transform
ที่เกี่ยวข้อง	7	3
สรุป	Linear Discriminant Analysis (LDA) is a parametric supervised classification method that finds the linear combination of continuous predictors that best separates two or more predefined groups. Introduced by Ronald A. Fisher in his landmark 1936 paper on taxonomic measurements, it simultaneously serves as a classifier and a dimensionality-reduction tool, and can be understood as the classification-oriented counterpart of MANOVA.	Principal Component Analysis (PCA) is an unsupervised dimensionality-reduction method — given its modern textbook treatment by Ian Jolliffe (2002) — that compresses high-dimensional data into fewer dimensions while preserving the maximum possible variance. It re-expresses correlated variables as a small set of uncorrelated principal components ordered by how much of the data's variation each one captures.