- 1、本文档共15页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
LDA线性判别分析幻灯片
LDA(线性判别分析)
2017.11
LDA(线性判别分析)
LDA的全称是Linear Discriminant Analysis(线性判别分析1936Ronald Fisher),是一种监督学习降维方法,也就是说它的数据集的每个样本是有类别输出的。这点和PCA(Principal Component Analysis)不同。PCA是不考虑样本类别输出的无监督降维技术。
有监督学习:分类。通过已有的训练样本(即已知数据以及其对应标签)去训练得到一个最优模型(这个模型属于某个函数的集合,最优则表示在某个评价准则下是最佳的),再利用这个模型将所有的输入映射为相应的输出。KNN、SVM
无监督学习:聚类。训练数据没有标签。K_means,PCA,随机森林
半监督学习:其训练数据的一部分是有标签的,另一部分没有标签。在很多实际问题中,只有少量的带有标记的数据,因为对数据进行标记的代价有时很高半监督分类,半监督聚类。
降维的目的:
1.减少预测变量的个数
在人脸识别中特征提取及数据维,假设输入200*200大小的人脸图像,单单提取它的灰度值作为原始特征,则这个原始特征将达到40000维,这给后面分类器的处理将带来极大的难度。
2.确保这些变量是相互独立的
有效信息的提取综合及无用信息的摈弃。
3.提供一个框架来解释结果
LDA是在目前机器学习、数据挖掘领域经典且热门的一个降维算法,LDA在模式识别领域(比如人脸识别,舰艇识别等图形图像识别领域)中有非常广泛的应用。百度商务搜索部里面也用了不少这方面的算法。
降维标准:
投影后类内方差最小,类间方差最大。我们要将数据在低维度上进行投影,投影后希望每一种类别数据的投影点尽可能的接近,而不同类别的数据的类别中心之间的距离尽可能的大。
我们的数据一般是多个类别的,一般也是超过二维的,投影后的也一般不是直线,而是一个低维的超平面。
LDA人脸识别(Fisherface)
通常情况下,待匹配人脸要和人脸库内的多张人脸匹配,所以这是一个多分类的情况。出于简单考虑,可以先介绍二类的情况然后拓展到多类。假设有二维平面上的两个点集x(x是包含横纵坐标的二维向量),它们的分布如下图(分别以蓝点和红点表示数据):
以数学公式给出投影点到到原点的距离:
w以从原点出发的直线来表示,直线上的点是原数据的投影点。下图给出了两种w方案,直观判断右侧的w更好些,其上的投影点能够合理的区分原有的两个数据集。但是计算机不知道这些,所以必须要有确定的方法来计算这个w。
首先计算每类数据的均值(中心点):
i是数据的分类个数,Ni代表某个分类下的数据点数,比如μ 1代表红点的中心,μ2代表蓝点的中心。
类均值点投影到w上的中心为:
如何判断向量w最佳?1、不同的分类得到的投影点要尽量分开;2、同一个分类投影后得到的点要尽量聚合。从这两方面考虑,可以定义如下公式:
J(w)代表不同分类投影中心的距离,它的值越大越好。
上式称之为散列值(scatter matrixs),代表同一个分类投影后的散列值,也就是投影点的聚合度,它的值越小代表投影点越聚合。
上式是w的函数,值越大w降维性能越好,下面的问题就是求解使上式取最大值的w。
把散列函数展开:
可以发现除w和wT外,剩余部分可以定义为:
这就是原数据的散列矩阵了
Sw称为Within-class scatter matrix。
得到:
展开J(w)的分子并定义SB,SB称为Between-class scatter。
这样就得到了J(w)的最终表示:
上式求极大值可以利用拉格朗日乘数法,不过需要限定一下分母的值,否则分子分母都变,怎么确定最好的w呢。可以令
,利用拉格朗日乘数法得到:
上式两边同乘以
可以得到:
发现w其实就是矩阵
的特征向量。
根据需求取前k个特征值最大的特征向量。
举例:64*64大小的20张人脸图片进行训练。
每一列表示一个样本,这样就一共有4096*20的待降维矩阵,然后对这个矩阵降维,请注意,如果采用列表示一个样本,那么获得的降维矩阵,是一个4096*19的矩阵,然后用这个降维矩阵对测试样本和训练样本降维,我们的测试样本是4096*1的矩阵,降维的时候这样:
Y =UT* X ;
UT (对降维矩阵进行转置)为19*4096的矩阵,
19*4096 * 4096*1,就获得了19*1的降维后的数据。
降维会不会对性能造成影响。 并不是直接对原来的数据进行删减,而是把原来的数据映射到新的一个特征空间中继续表示,所有新的特征空间如果有19维,那么这19维足以能够表示非常非常多的数据,并没有对原来的数据进行删减,只是把原来的数据映射到新的空间中进行表示,所以你的测试样本也要同样的映射到这个空间中进行表示,这样就要求你保存住这个空间坐标转换
您可能关注的文档
- 麻将牌里管理哲学.doc
- 鱼钩种类和特点.doc
- (公开课)正确使用标点符号幻灯片.ppt
- (安全生产培训资料)3幻灯片.ppt
- 00机械精度设计与检测基础幻灯片.ppt
- (泮秀芳)比例尺(公)幻灯片.ppt
- 02第2章测量技术基础01幻灯片.ppt
- 03第2章测量技术基础02幻灯片.ppt
- 05棱柱和棱锥幻灯片.ppt
- 01训前说明会和开训典礼幻灯片.ppt
- 中国行业标准 GM/T 0126-2023HTML密码应用置标语法.pdf
- 《JJF 2121-2024恒转速源校准规范》.pdf
- 餐饮服务中20条处理要点.docx
- 《GM/T 0011-2023可信计算 可信密码支撑平台功能与接口规范》.pdf
- 《JJF 2134-2024旋转流变仪校准规范》.pdf
- JJF 2121-2024恒转速源校准规范.pdf
- 计量规程规范 JJF 2121-2024恒转速源校准规范.pdf
- 《JJF 2118-2024压力式六氟化硫气体密度控制器校验仪校准规范》.pdf
- JJF 2134-2024旋转流变仪校准规范.pdf
- 计量规程规范 JJF 2134-2024旋转流变仪校准规范.pdf
最近下载
- 2011版课标“字表二 1000字“梳理.docx
- 电动吊篮安拆方案.doc VIP
- 2019中国消化道疾病检查白皮书(医疗).pdf
- 文心一言知识科普.pptx
- 2024年县民政局关于群众身边不正之风和腐败问题集中整治工作的形势分析报告.doc VIP
- 道路施工雨季安全培训.pptx
- (高质)《精神焦虑症的自救》.doc
- 港澳台联考语文满分作文.docx
- 单位办公室定密事项范围一览表式样.doc
- 理想 RISO 9050 7050 3050 7010 3010 闪彩印王中文技术维修手册 后面可以参考理想闪彩印王 EX7200 EX9050 EX9000 EX7250 系列中文维修手册 .pdf
文档评论(0)