通俗易懂的LDA降维原理
目录
在前几篇的文章中，大管提到了PCA降维，有小伙伴私信说在实际情况中，效果不太好。那大管今天就和大家聊一聊另一种降维的方法线性判别分析 (LDA)。它目前也是机器学习领域中比较经典而且又热门的一种算法。
还记得在PCA中是怎样做的吗？简单来说，是将数据映射到方差比较大的方向上，最后用数学公式推导出矩阵的前TopN的特征向量，这里的方差可以理解为数据内部的离散程度。而LDA不同于PCA的是它是一种有监督的降维方法。下面举一个小例子来直观的说明PCA和LDA的不同降维方法。
例子
如下图所示为两类数据集:
PCA是将数据投影到方差最大的几个相互正交的方向上，以期待保留最多的样本信息。样本的方差越大表示样本的多样性越好。x轴和y轴都不是最理想的投影，故上图中PCA会将数据投影在红色的轴上。
如下图所示数据集:
若根据PCA进行降维，将会把数据映射到红色直线上，这样做投影确实方差最大，但是这样做投影之后两类数据样本将混合在一起，将不再线性可分，甚至是不可分的。上面的这个数据集如果使用LDA降维，找出的投影方向就是黄色直线所在的方向，这样的方法在降维之后，可以很大程度上保证了数据的线性可分的。
LDA降维
从上述例子中可以看到，LDA可以用来对数据分类进行处理。为了说明白LDA的来龙去脉，还是以最简单的二分类问题为例。
假设有C1和C2两个样本数据集，其均值分别为:
投影之后的类间距离为:
将上述两式合并，求最大间距可以表示为:
当 ω 方向与(μ1-μ2)一致的时候，该距离达到最大值。从所举的例子图中也能看出，我LDA的期望是使得两个类间的距离最大，类内的距离最小。
由于不同的类别是在同一个数据集中，所以类内距离也可以定义为不同类的方差之和。故可以定义LDA的目标函数为:
其中D1和D2分别为两个类的类内距离，分别为:
将D1和D2分别代入，J(ω)可以表示为:
为了简化上述公式，这里定义类间距离散度SB和类内距离散度SW分别为:
故可以将式子简化为:
下面使用烂大街而有效的方法最大化J(ω)，对ω求偏导，并令其为0,得到：
下面对公式稍作变化，就可以发现一个令人惊讶的结果:
将Sw乘到左边:
我们居然把目标函数变成了求矩阵的特征值，而投影的方向就是这个特征值对应的特征向量。故对于二分类问题在不考虑投影长度的情况下，我们只要求得样本的均值和类内方差就可以计算出投影方向。
回顾PCA的过程，是不是和LDA很相似呢，但是其原理却不一样，对于无监督学习使用PCA，有监督学习使用LDA。
多内容下载机器学习资料请扫描下方二维码关注小编公众号:程序员大管