Machine learning LDA作为分区之前或之后的降维

我正在进行分类，我有一个关于使用LDA进行降维的问题：

LDA是否应应用于整个特征矩阵，包括列车和测试数据，然后（在降低数据维度后）对特征矩阵进行划分，以提供列车和测试集进行分类？这是真的吗

---

然后，假设我们需要在应用LDA之前对数据进行分区如何使用Matlab的内部分类器（如kNN和SVM）对测试数据进行分类？

您应该在列车上生成LDA，然后将其应用于测试集

原因是您不想检查整个处理链如何处理看不见的数据。如果您在列车/测试中生成LDA模型，则可能不太重要的信息会消失

---

实际上，如果你确定了尺寸的数量，你应该进行一次训练/测试/验证分离。确定列车/测试的最佳尺寸数。然后在列车上建立LDA+模型，并进行测试和验证评估。

谢谢@CAFEBABE。使用Matlab内部SVM和KNN；那么，我如何将数据分为训练和测试，以及在使用训练数据上的LDA找到投影矩阵后，如何将该矩阵应用于测试数据？我的意思是，如何使用Matlab内部分类器实现这种方法？你能帮忙吗？嗨，对不起，我不熟悉Matlab。但是，这应该会帮助您“在使用fitcdiscr训练ClassificationDiscriminant模型对象后，使用函数predict和训练过的模型对象生成C代码，用于预测新数据的标签。有关详细信息，请参阅代码生成。”因此，基本上在火车上执行fitcdiscr。使用预测对测试进行评估