本文主要是介绍sklearn实现lda模型_sklearn学习9----LDA（discriminat_analysis），希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
1、导入模块
http://scikit-learn.org/stable/modules/generated/sklearn.discriminant_analysis.LinearDiscriminantAnalysis.html#sklearn.discriminant_analysis.LinearDiscriminantAnalysis
from sklearn.discriminant_analysis importLinearDiscriminantAnalysis
da= LinearDiscriminantAnalysis()
2、使用参数说明：https://blog.csdn.net/qsczse943062710/article/details/75977118
class sklearn.discriminant_analysis.LinearDiscriminantAnalysis(solver=’svd’, shrinkage=None, priors=None, n_components=None, store_covariance=False, tol=0.0001)
solver：str，求解算法，
取值可以为：
svd：使用奇异值分解求解，不用计算协方差矩阵，适用于特征数量很大的情形，无法使用参数收缩(shrinkage)
lsqr：最小平方QR分解，可以结合shrinkage使用
eigen：特征值分解，可以结合shrinkage使用
shrinkage：str or float，是否使用参数收缩
取值可以为：
None：不适用参数收缩
auto：str，使用Ledoit-Wolf lemma
浮点数：自定义收缩比例
priors：array，用于LDA中贝叶斯规则的先验概率，当为None时，每个类priors为该类样本占总样本的比例；当为自定义值时，如果概率之和不为1，会按照自定义值进行归一化
n_components：int，需要保留的特征个数，小于等于n-1
store_covariance：是否计算每个类的协方差矩阵
3、方法：
4、LinearDiscriminantAnalysis类的fit方法
def fit(self, X, y, store_covariance=None, tol=None):
类型检查，包括priors的检测
根据不同的solver调用不同的求解方法
1
2
3
fit()方法里根据不同的solver调用的方法均为LinearDiscriminantAnalysis的类方法
fit()返回值：
self：LinearDiscriminantAnalysis实例对象
属性：
covariances_：每个类的协方差矩阵， shape = [n_features, n_features]
means_：类均值，shape = [n_classes, n_features]
priors_：归一化的先验概率
rotations_：LDA分析得到的主轴，shape [n_features, n_component]
scalings_：数组列表，每个高斯分布的方差σ
5、使用例子(可预测、可降维)
from sklearn.discriminat_analysis importLinearDiscriminantAnalysis as LDA
sklearn_lda=LDA(n_components=2)
X_lda_sklearn=sklearn_lda.fit_transform(X,Y)
这篇关于sklearn实现lda模型_sklearn学习9----LDA（discriminat_analysis）的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
