线性判别分析，英文名称Linear Discriminant Analysis(LDA)是一种经典的线性学习方法。本文针对二分类问题，从直观理解，对其数学建模，之后模型求解，再拓展到多分类问题。
大体思想
给定训练样例集，设法将样例投影到一条直线上，使得同类样例的投影点尽可能接近、异类样例的投影点尽可能远离；在对新样本进行分类时，将其投影到同样的这条直线上，再根据投影点的位置来确定新样本的类别。
LDA二维示意图
数学原理
道理是这么个道理，我们现在需要在数学上对其进行分析。我们接下来先建立求解上述问题的数学模型，之后再求解。
数学模型建立
那我们怎么从数学上去实现上述的思想呢？这里我们以二分类为例，对其展开叙述：
给定数据集，
，令
、
、
分别表示第
类示例的集合、均值向量、协方差矩阵。
如果将样本投影到直线上，那么样本所对应的均值和方差也将做一个线性变换，也即是投影之后的均值和方差。依据投影的数学关系，我们可以知道，原始样本的均值在
上的投影为
；原始样本的协方差在
上的投影为
；由于直线在一维空间上，所以
、
、
、
均为实数。
- 让同类样本的投影点尽可能接近这句话在数学上就可以表示为，让同类样本的协方差尽可能地小。即
+
尽可能地小；
- 让异类样本投影点尽可能地远离，所表示的意思就是，让两类样本的均值之间的距离尽可能地大。即
尽可能大。
综合以上两点，组合一个最大化的目标函数：
这个式子看起来符号有点多，我们将其化简一下，定义两个量：类内散度矩阵和类间散度矩阵：
- 类内散度矩阵(within-class scatter matrix)：
定义类内散度矩阵将其展开可得：
- 类间散度矩阵(between-class scatter matrix)：
定义类间散度矩阵。
此时，最大化的目标函数可重写为：
把上式称为与
的广义瑞利商(generalized rayleigh quotient)。
数学模型求解
现在的问题就变成了，我们怎么来求这个投影方向，使得目标函数最大。
优化目标函数的分子和分母都是关于
的二次项，因此求解最大化
与
的长度无关，只与其方向有关。那么我们将分母约束为1，将原问题转换为带有约束的最优化问题，再利用拉格朗日乘子法对其求解即可，原问题等价为：
由拉格朗日乘子法可知，上式等价于：
其中是拉格朗日乘子。由于
是标量，所以
的方向恒为
，不妨令：
这里之所以可以令参数为，是因为整个问题我们都在求解方向，且
的方向恒为
，所以长度设置怎么好算怎么来。将
带入
可得：
到这里投影方向的求解就完事了。但上述解涉及到求逆矩阵，考虑数值解的稳定性，实践过程中通常将
进行奇异值分解。
，这里
是一个实对角矩阵，其对角线上的元素是
的奇异值，再求解，得出
。
LDA推广到多分类
将推广到多分类问题中，假定存在
类，且第
类示例数为
。定义“全局散度矩阵”
：
是所有样本的均值向量。
将类内散度矩阵重定义为每个类别的散度矩阵之和：
其中：
由此可求解出：
用，
，
三者中的任意两者都能够构造优化目标。常见的一种构造如下所示：
其中，
表示矩阵的迹(trace)。上式通过广义特征值问题求解：
的闭式解为
的
个最大广义特征值所对应的特征向量组成的矩阵，
。
若将视为一个投影矩阵，则多分类
将样本投影到
维空间，
通常小于原有属性数
。于是，可通过这个投影来减少样本点的维数，且投影过程中使用了类别信息，因此
也常被视为经典的监督降维技术。
与PCA降维不同LDA降维会保留类的区分信息。在LDA二分类中，第一类的均值与第二类的均值如果重叠在一起，将会找不到投影方向。PCA与LDA并没有某一种比另外一种更好的这种说法。
本文主要参考书目，周志华机器学习。以前都没发现这书居然写地这么好。emmmm。
我的微信公众号名称：深度学习与先进智能决策
微信公众号ID：MultiAgent1024
公众号介绍：主要研究强化学习、计算机视觉、深度学习、机器学习等相关内容，分享学习过程中的学习笔记和心得！期待您的关注，欢迎一起学习交流进步！
网友评论