class sklearn.discriminant_analysis.LinearDiscriminantAnalysis(solver='svd', shrinkage=None, priors=None, n_components=None, store_covariance=False, tol=0.0001, covariance_estimator=None)
| 参数 | 说明 |
|---|---|
| solver | 使用的求解器。‘svd’（默认）：奇异值分解，不用计算协方差矩阵，因此该解决方案提倡在特征量较大时使用；‘lsqr’：最小二乘解，可与收缩或自定义协方差估计器结合使用；‘eigen’：特征值分解，可与收缩或自定义协方差估计器结合使用。 |
| shrinkage | 缩放参数。None（默认）：无缩放；‘auto’：使用Ledoit-Wolf引理来进行自动缩放；0和1之间的浮点数值：固定的缩放参数。如果使用covariance_estimator，则应该设置为None。缩放只在求解器设置为‘lsqr’和‘eigen’时才起作用。 |
| priors | 类先验概率。形状为(1_class, 2_class, ..., n_class)的数组，默认为None。默认情况下，类比例是从训练数据推断出来的。 |
| n_components | int，用于降维的组件数量（<=min(n_class-1, n_features)）。 默认值为None。如果为None，则参数被设置为min(n_class-1, n_features)。该参数仅影响transform方法。 |
| store_covariance | bool，默认为False。如果为True，则在求解器为‘svd’时显式计算加权类内协方差矩阵。始终为其他求解器计算和存储矩阵。 |
| tol | float，默认为1.0e-4。判断X的奇异值是显著性时的绝对阈值，用于估计X的秩。将丢弃奇异值为非显著性的维度。仅当求解器为‘svd’时才使用。 |
| covariance_estimator | 协方差估计器，默认为None。如果不是 None，则使用covariance_estimator来估计协方差矩阵，而不是依赖于经验协方差估计器（具有潜在的收缩）。对象应具有fit方法和covariance_属性，如sklearn.covariance中的估计器。如果为None，则收缩参数驱动估计值。如果使用收缩，则应将其设置为None。请注意，covariance_estimator仅适用于"lsqr"和"特征"求解器。 |
| 属性 | 说明 |
|---|---|
| coef_ | 权重向量。形如(n_features,)或(n_classes, n_features)的数组。 |
| intercept_ | 截距项。形如(n_classes,)的数组。 |
| covariance_ | 加权类内协方差矩阵。形如(n_features, n_features)的数组。其对应 |
| explained_variance_ratio_ | 由每个选定组件解释的方差百分比。形如(n_components,)的数组。如果未设置n_components，则存储所有组件，且解释方差的总和等于1.0。仅当使用eigen或svd求解器时才可用。 |
| means_ | 类间均值。形如(n_classes, n_features)的数组。 |
| priors_ | 类先验（总和为1）。形如(n_classes,)的数组。 |
| scalings_ | 在由类质心所张成的空间中缩放特征。形如(rank, n_classes - 1)的数组。仅适用于使用‘svd‘或’eigen‘求解器时。 |
| xbar_ | 总均值。形如(n_features,)的数组。 |
| classes_ | 唯一的类标记。形如(n_classes,)的数组。 |
| n_features_in_ | 在fit中看到的特征数量。int |
| feature_names_in_ | 在fit中看到的特征名称。形如(feature_names_in_,)。仅当X具有全部为字符串的特征名称时才定义。 |
| 方法 | 说明 |
|---|---|
| decision_function(X) | 应用决定函数（decision function）到由样例组成的数组X上。 |
| fit(X, y) | 拟合线性判别分析模型。 |
| fit_transform(X[, y]) | 拟合数据，再将数据进行变化。 |
| get_params([deep]) | 获取此估计器的参数。 |
| predict(X) | 预测X中样本的类标签。 |
| predict_log_proba(X) | 估计对数概率。 |
| predict_proba(X) | 估计概率。 |
| score(X, y[, sample_weight]) | 返回给定测试数据和标签的平均精度。 |
| set_params(**params) | 设置此估计器的参数。 |
| transform(X) | 映射数据以最大化类分隔。｜ |
代码
代码展示了LDA被用作降维手段。
import matplotlib.pyplot as plt
from sklearn import datasets
from sklearn.discriminant_analysis import LinearDiscriminantAnalysis
iris = datasets.load_iris()
X = iris.data
y = iris.target
target_names = iris.target_names
lda = LinearDiscriminantAnalysis(n_components=2)
X_r = lda.fit(X, y).transform(X)
colors = ["navy", "turquoise", "darkorange"]
plt.figure()
for color, i, target_name in zip(colors, [0, 1, 2], target_names):
plt.scatter(
X_r[y == i, 0], X_r[y == i, 1], alpha=0.8, color=color, label=target_name
)
plt.legend(loc="best", shadow=False, scatterpoints=1)
plt.title("LDA of IRIS dataset")
plt.show()
结果展示
output.png
