基于核函数Fisher判别的数据分类算法研究的综述报告.docxVIP

基于核函数Fisher判别的数据分类算法研究的综述报告

引言：

数据分类是机器学习中的一个重要问题，在实际应用中有着广泛的应用。而数据分类问题中的一个关键问题就是如何找到一个合适的分类器，从而将不同的数据通过一定的规则划分到不同的类别中去。传统的分类算法，如线性判别分析(LDA)、最近邻法(KNN)、支持向量机(SVM)等，都有各自的优缺点。针对这些算法存在的问题，近年来，一种基于核函数Fisher判别的分类算法逐渐得到了学者们的关注，被广泛应用于实际问题的解决。本文主要对基于核函数Fisher判别的分类算法进行综述和总结，并展望未来该算法的发展方向。

一、核函数Fisher判别算法简介

基于核函数的Fisher判别算法是一类基于非线性核函数的分类算法。与传统的线性判别分析(LDA)比较而言，这种分类算法能够更加灵活地处理非线性分类问题。该算法主要是以K-L(Kullback-Leibler)散度作为分类判别依据的，将分类问题转化为一个求解最大化K-L散度目标函数的问题。具体而言，该算法的实现思路是：首先将输入数据映射到高维空间中，然后再使用Fisher线性判别分析来对数据进行分类。

二、核函数Fisher判别算法的优缺点

基于核函数的Fisher判别算法具有一定的优点，如下所示：

1.处理非线性分类问题：与传统的线性判别分析相比，该算法能够更加灵活地处理非线性分类问题。

2.