一、线性判别分析LDA

线性判别分析是一种经典的线性学习方法，在二分类问题上最早是Fisher提出的，亦称为Fisher判别分析。

Fisher判别分析是一种用于降维和分类的统计方法，旨在找到可以最好区分不同类别的特征。它基于类内方差和类间方差的比值来选择最佳的投影方向，从而实现数据的最佳分类

思想：将训练集的样本投影到一条直线上，使得正类和反类投影在直线上的距离尽可能的分开。当测试集的样本被投影到直线上的时候，通过观察他的位置就可以知道该测试集的样本属于哪一类。

示意图

给定一个数据集D={xi，yi}，Xi，μi，Σi分别表示例数集合，均值向量、协方差矩阵

投影之后再直线上的两类样本的中心点就是wTμ0和wTμ1，协方差：wTΣ0w，wTΣ1w

因为投影改变了数据的分布，所以协方差会随之改变。

就像我们之前讲到了，希望他们同类别的更接近，不同类别的就远离。其实就是最大化类中心之间的距离，最小化他们的协方差。这两个我们同时考虑的话。

将其定义为：

①类内散度矩阵

②类间散度矩阵

现在LDA就想要最大化目标Sb和Sw。

也叫做Sb与Sw的‘广义瑞利商’

如何确定w?

先介绍一下拉格朗日乘子法

我的理解就是：有变量，以及对于发原函数，有约束，求偏导，即求最优解

下面是对w的求解

在求解Sw的时候会使用到奇异值的分解

对于奇异值分解不太理解的可以参考这个

降维算法之奇异值分解SVD：7000字长文，看这一篇就够了！_奇异值分解降维-CSDN博客

二、多分类LDA

新定义了一个St，全局散度矩阵

同样的要求解W

这里采用的是优化目标

tr（·）：代表矩阵的迹，是矩阵的主对角线上元素的总和。

对于多分类LDA的话就是将N个类别的投影到N-1个维度上，实现一个降维

因此，被视为一种经典的降维技术。

三、多分类学习 

利用2分类策略解决多分类问题。

多分类学习的基本思路就是“拆解法“。最经典的有三种：一对一（O vs O），一对多（O vs R），多对多（M vs M）.讲到这里，说不定你可以想到之前我们学过的也是类似分割的方法，对于模型评估那一块：有留出法、K折交叉验证法、自助法。

3.1 O vs O

将N个类别两两配对，看作排列组合就是，那么就会产生N（N-1）/2个二分类任务。

最终得到N（N-1）/2个分类结果，最终结果通过投票产生，即把预测的最多的类别作为最终分类结果

3.2 O vs R 

将每一个类的样例作为正例，所有其他类的样例作为反类，训练N个分类器，在测试时若有一个分类器预测为正类，则对应的类别标记作为最终的分类结果。丢进去一个样本，若有多个分类器预测为正类，则通常考虑分类器的阈值置信度，选择置信度最大的类别标记作为分类结果。如上图。

其中，OVR需要训练N个分类器，但是OVO，却要训练N（N-1）/2个人分类器。因此一对一的存储开销和测试时间开销通常比一对多的更大，但是在训练的时候，一对多的每个分类器会使用全部的训练样本，而一对一的仅用到两个类的样本，因此在类别很多的时候，一对一的训练时间开销通常比一对多的 小。至于预测性能则却决于具体的数据分布，在多数情形下两者差不多。

3.3 M vs M 

是每次将若干个类作为正类，若干个类作为反类。

但是多对多的正类和反类必须要有特殊的设计、不能随意的选取，在这里我们就介绍一种技术

纠错输出码（ECOC）

第一步：编码：

对N个类别做M次划分，每次划分将一部分类别作为正类，一部分作为反类，从而形成一个二分类发训练集，一共产生M个训练集，可以训练出M个分类器

第二部：解码：

M个分类器分别对测试样本进行预测，这些预测标记组成一个编码，将这个预测编码与每个类别各自的编码进行比较，放回其中距离最小的类别作为最终预测结果

类别划分通过“编码矩阵“指定，编码矩阵有多种形式，常见的主要有——二元编码、三元编码前者将每个类别分别指定为正类和反类，后者在正类和反类之外，还指定了一个停用类。