Latent structure
线性判别分析 (LDA)
线性判别分析 (Linear Discriminant Analysis, LDA) 是一种有监督的降维和分类方法，由 Ronald A. Fisher 于 1936 年提出。它寻找特征的线性组合，这些组合能够最大程度地区分预定义的类别，同时尽可能保留类别区分信息。它既是一种特征投影技术，也是一种概率分类器，是模式识别和统计学习中的基础方法之一。
阅读完整方法
仅限会员
登录使用免费账户登录即可阅读本节。
Method map
The neighbourhood of related methods — select a node to explore.
来源
- 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
如何引用本页
ScholarGate. (2026, June 3). Linear Discriminant Analysis (Fisher's LDA). ScholarGate. https://scholargate.app/zh/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.
- 逻辑回归研究统计学↔ compare
- 朴素贝叶斯 (Naive Bayes) 是一种快速的概率分类器，它应用贝叶斯定理，同时假设特征在给定类别时是条件独立的机器学习↔ compare
- 二次判别分析 (QDA)机器学习↔ compare
- 随机森林机器学习↔ compare