Fisher算法源码

资 源 简 介

应用统计方法解决模式识别问题的困难之一是维数问题，低维特征空间的分类问题一般比高维空间分类问题简单。因此，人们力图将特征空间进行降维，降维的一个基本思路是将d维特征空间投影到一条直线上，形成一维空间，这在数学上比较容易实现。问题的关键是投影之后原来线性可分的样本可能变为线性不可分。一般对于线性可分的样本，总能找到一个投影方向，使得降维后样本仍然线性可分。如何确定投影方向使得降维以后，样本不但线性可分，而且可分性更好（即不同类别的样本之间的距离尽可能远，同一类别的样本尽可能集中分布），就是Fisher线性判

详 情 说 明

在应用统计方法解决模式识别问题时，我们面临的一个困难是维数问题。一般来说，低维特征空间的分类问题比高维空间分类问题更简单。因此，我们想办法将特征空间进行降维。降维的一个基本思路是通过将d维特征空间投影到一条直线上，形成一维空间。这个过程在数学上比较容易实现。然而，问题的关键在于投影之后原来线性可分的样本可能变为线性不可分。对于线性可分的样本，我们总是能找到一个投影方向，使得降维后样本仍然线性可分。但是，如何确定投影方向，使得降维后样本不仅线性可分，而且可分性更好呢？（即不同类别的样本之间的距离尽可能远，同一类别的样本尽可能集中分布）这就是Fisher线性判别所要解决的问题。因此，在进行降维时，我们需要考虑这些因素，并根据需求对数据进行调整，以获得最佳效果。