Python AT&；上人脸识别的QDA与LDA；T数据集

在使用lda和qda对模型进行拟合时，我获得了AT&T人脸数据库的两个非常不同的精度。在使用QDA之前，我首先搜索理想正则化参数，AFAIK是对QDA进行微调的唯一导入参数

X_load,y_load = datasets.fetch_olivetti_faces(data_home="R:/DATASET/AT&T", return_X_y=True)

我将其分为一个平衡的训练和测试序列（8张图片用于训练，2张图片用于每人测试）

我正在为越来越多的人运行这个实验，所以我保存了一个包含这些参数的python列表

qda2 = QuadraticDiscriminantAnalysis(reg_param=clf.best_params_['reg_param'])
qda2.fit(X_train, y_train)
y_pred_qda = qda2.predict(X_test)
f1_scores_qda.append(met.f1_score(y_true_qda, y_pred_qda, average='micro'))

当我使用整个数据集（40人）运行此操作时

f1_分数_lda输出0.975

f1_分数_qda输出0.125

---

为什么QDA的表现如此糟糕？

这个问题已经重新制定，最后我自己在多个问题上回答了这个问题，太宽泛了，几乎没有表现出什么努力，除非你重新问一些具体的问题，否则应该关闭它；你不允许要求推荐你应该使用哪种分类器；实施它，然后告诉我们你发现了什么。此外，当您说“希望我说明要素空间中不同类别的数据的分布情况”时，如果您给我们一个分布图或一些汇总统计数据，也会有所帮助。此外，你可能会在[CrossValidated]（https:/www.stackoverflow.com）上获得更好的答案。建议你浏览一下，至少从投票最多的那个开始。向我们展示特征空间中不同类的一些基本汇总统计数据或分布图，思考一些快速而肮脏的变换，使这些变换更正常，重新运行分类器，告诉我们您得到了什么改进，查看混淆矩阵。基本上，培养一种直觉，了解为什么QDA或LDA在每门课上表现得如此出色。在你去网上购物之前，首先回答你自己的问题1和2。在你对这些问题有了基本的答案之前，不要再进一步了。我明天会把这件事清理干净，谢谢你的指点，很抱歉我说得不够具体。我会编辑这个问题并按照你的建议去做，谢谢你花时间回复！

qda2 = QuadraticDiscriminantAnalysis(reg_param=clf.best_params_['reg_param'])
qda2.fit(X_train, y_train)
y_pred_qda = qda2.predict(X_test)
f1_scores_qda.append(met.f1_score(y_true_qda, y_pred_qda, average='micro'))