标签：期望 nbsp 存在 分类 目标 预测 标签 cti 集中
LDA（Linear Discriminant Analysis 线性判别分析），是一种监督学习。将带上标签的数据（点），通过投影的方法，投影到维度更低的空间中，使得投影后的点，会形成按类别区分，一簇一簇的情况，相同类别的点，将会在投影后的空间中更接近。LDA是一种线性分类器。分类的目标是，使得类别内的点距离越近越好（集中），类别间的点越远越好。
PCA（主成分分析）：LDA的输入数据是带标签的，而PCA的输入数据是不带标签的，所以PCA是一种无监督学习。LDA通常来说是作为一个独立的算法存在，给定了训练数据后，将会得到一系列的判别函数（discriminate function），之后对于新的输入，就可以进行预测了。而PCA更像是一个预处理的方法，目标是通过某种线性投影，将高维的数据映射到低维的空间中表示，并期望在所投影的维度上数据的方差最大，以此使用较少的数据维度，同时保留住较多的原数据点的特性。PCA追求的是在降维之后能够最大化保持数据的内在信息，并通过衡量在投影方向上的数据方差的大小来衡量该方向的重要性。但是这样投影以后对数据的区分作用并不大，反而可能使得数据点揉杂在一起无法区分。这也是PCA存在的最大一个问题，这导致使用PCA在很多情况下的分类效果并不好。
标签：期望 nbsp 存在 分类 目标 预测 标签 cti 集中
原文地址：http://www.cnblogs.com/yujing611033/p/6011731.html
