PCA是unsupervised，也就是说不需要知道sample对应的label，而LDA是supervised，需要知道每一个数据点对应的label。
PCA是为了去除原始数据集中冗余的维度，让投影子空间的各个维度的方差尽可能大，也就是熵尽可能大。LDA是通过数据降维找到那些具有discriminative的维度，使得原始数据在这些维度上的投影，不同类别尽可能区分开来。
12.jpeg
image.png
图的左边是PCA方式，可以看出，数据最方便的映射到直线上，达到降维，但是不能分类
image.png
PCA是unsupervised，也就是说不需要知道sample对应的label，而LDA是supervised，...
本文用于理解机器学习中常见的两种降维方法，主成分分析和线性判别分析，并对两者进行简单的对比。 基本目录如下： 什么...
本文结构： 什么是 LDA 和 PCA 区别 LDA 投影的计算过程 LDA 降维的例子 1. 什么是 LDA 先...
LDA与PCA降维思想不同，对数据的要求也不同。 LDA需要数据有标记有分类，便于后面对类内类外的区分，而PCA则...
LDA线性判别分析 PCA不考虑label，属于unsupervised，那么LDA就是考虑了y的label。 对...
1.过拟合的解决办法2.L1/L2正则化3.特征如何降维 （pca lda）4.pca和lda的区别5.GBDT，...
LDA和PCA最大的区别是，PCA找的是方差最大的方向，LDA找的是分类分的最开的方向。也就是说mean要分得最开...
https://www.cnblogs.com/pinard/p/6243025.html http://d0ev...
在机器学习领域，PCA和LDA都可以看成是数据降维的一种方式。但是PCA是无监督的，也就是说不需要知道sample...
两种降维方法的比较：PCA（主成分分析法）与LDA（线性鉴别分析法） 姓名：何源 学号：21011210073 学...
本文标题：PCA &LDA比较
本文链接：https://www.haomeiwen.com/subject/wywmkctx.html
网友评论