Scikit learn 如何利用scikit学习从线性判别分析中获取特征向量

如何从一个线性判别分析对象中获得基矩阵的变化

对于具有形状

mxp

（

m

样本和

p

特征）和

N

类的数组

X

，缩放矩阵具有

p

行和

N-1

列。该矩阵可用于将数据从原始空间转换为线性子空间

---

根据Arya的回答编辑：

我们考虑下面的例子：

from sklearn.datasets import make_blobs
from sklearn.discriminant_analysis import LinearDiscriminantAnalysis as LDA

X, label = make_blobs(n_samples=100, n_features=2, centers=5, cluster_std=0.10, random_state=0)
lda = LDA()
Xlda = lda.fit(X, label)
Xlda.scalings_
#array([[ 7.35157288,  6.76874473],
#       [-6.45391558,  7.97604449]])
Xlda.scalings_.shape
#(2, 2)

---

我希望缩放矩阵形状为（2,4），因为我有2个功能，LDA将提供5-1个组件。

让我们称您的

线性描述分析

对象

LDA

。您可以通过

lda.scalings\uu

访问缩放矩阵。下面显示了描述这一点的文档

---

非常感谢您的关心。的确，对于iris数据集，它似乎工作正常（虽然结果与我从R获得的结果不同，但我猜这是由于一些规范化预处理。）然而，对于另一个例子，缩放矩阵无法满足之前对其形状的要求，请参阅我使用make_blob的答案`我编辑了我的问题，以展示一个缩放矩阵形状似乎错误的示例。这值得向scikit learn的维护人员提交一份报告。问题补充道：@aryamcarthy在这个示例中，lda.scalings是特征向量吗？

import sklearn.datasets as ds
from sklearn.discriminant_analysis import LinearDiscriminantAnalysis as LDA

iris = ds.load_iris()
iris.data.shape
# (150, 4)
len(iris.target_names)
# 3

lda = LDA()
lda.fit(iris.data, iris.target)
lda.scalings_
# array([[-0.81926852,  0.03285975],
#        [-1.5478732 ,  2.15471106],
#        [ 2.18494056, -0.93024679],
#        [ 2.85385002,  2.8060046 ]])
lda.scalings_.shape
# (4, 2)