Algorithm 什么是LDA分类的简单解释

我发现很难理解线性判别分析（LDA）的过程，我想知道是否有人能用英语一步一步地解释它。我知道LDA与主成分分析（PCA）密切相关。但我不知道它是如何精确地给出所有概率的。以及训练数据与实际数据集的关系。我查阅的文件很少，也不太清楚。主成分分析（PCA）

是无监督的，或者同样，它不使用类标签信息。因此，区别性信息不一定要保留

• 最小化投影误差
• 最大化投影点的方差
  示例：减少人脸特征的数量（人脸检测）

LDA（线性判别分析）：一种将类别标签考虑在内的PCA，因此它是有监督的

• 最大化类之间的距离
• 最小化类内的距离
  示例：将人脸分为男性和女性簇（人脸识别）

关于循序渐进的过程，您可以很容易地在Google中找到一个实现

关于分类：

将x投影到PCA子空间U中，并计算其投影a

将a投影到LDA子空间V中

找到中心最近的类

简单地说，投影输入x，然后检查哪个群集中心更靠近

来自K.Etemad，R.Chellapa的图像，人脸识别的判别分析。J.选择。Soc。是A、 第14卷，第8期，1997年8月

---

谢谢你的解释，萨尔瓦。。。。你能用一个面向文本的例子来解释这一点吗。。。