禁止商业或二改转载，仅供自学使用，侵权必究，如需截取部分内容请后台联系作者!
image.png
- R语言机器学习算法实战系列（一）XGBoost算法+SHAP值（eXtreme Gradient Boosting）
- R语言机器学习算法实战系列（二） SVM算法+重要性得分（Support Vector Machine）
- R语言机器学习算法实战系列（三）lightGBM算法+SHAP值（Light Gradient Boosting Machine）
- R语言机器学习算法实战系列（四）随机森林算法+SHAP值 (Random Forest)
- R语言机器学习算法实战系列（五）GBM算法+SHAP值 (Gradient Boosting Machines)
- R语言机器学习算法实战系列（六）K-邻近算法 (K-Nearest Neighbors)
- R语言机器学习算法实战系列（七）朴素贝叶斯分类算法 (Naïve Bayes Classifier)
- R语言机器学习算法实战系列（八）逻辑回归算法 (logistic regression)
- R语言机器学习算法实战系列（九）决策树分类算法 (Decision Trees Classifier)
- R语言机器学习算法实战系列（十）自适应提升分类算法 (Adaptive Boosting)
- R语言机器学习算法实战系列（十一）MLP分类算法 (Multi-Layer Perceptrons)
- R语言机器学习算法实战系列（十二）线性判别分析分类算法 (Linear Discriminant Analysis)
- R语言机器学习算法实战系列（十三）随机森林生存分析构建预后模型 (Random Survival Forest)
- R语言机器学习算法实战系列（十四）: CatBoost分类算法+SHAP值 (categorical data gradient boosting)
- R语言机器学习算法实战系列（十五）随机森林生存预后模型+SHAP值 (Random Survival Forest + SHAP)
- R语言机器学习算法实战系列（十六）随机森林算法回归模型+SHAP值（Random Forest Regression + SHAP）
- R语言机器学习算法实战系列（十七）特征选择之弹性网络回归算法（Elastic Net Regression）
- R语言机器学习算法实战系列（十八）特征选择之LASSO算法（Least Absolute Shrinkage and Selection Operator Regression）
- R语言机器学习算法实战系列（十九）特征选择之Monte Carlo算法（Monte Carlo Feature Selection）
- R语言机器学习算法实战系列（二十）特征选择之Boruta算法
机器学习论文
- R语言机器学习论文（一）：研究背景
- R语言机器学习论文（二）：数据准备
- R语言机器学习论文（三）：特征提取
- R语言机器学习论文（四）：模型构建
- R语言机器学习论文（五）：解释模型
- R语言机器学习论文（六）：总结
介绍
线性判别分析（LDA）是一种监督学习的降维技术，同时也是一种分类算法。它旨在找到一个线性组合的特征，这些特征对于区分或分类不同的组或类别是最佳的。LDA假设每个类别的数据都是正态分布的，并且所有类别共享相同的协方差矩阵。
教程
本文旨在通过R语言实现MLP，总共包含：
- 下载数据
- 加载R包
- 数据预处理
- 数据切割
- 构建模型
- 预测测试数据
- 评估模型
- 保存模型
- 总结
- 系统信息
更多内容请前往
R语言机器学习算法实战系列（十二）线性判别分析分类算法 (Linear Discriminant Analysis)
image.png
