Fisher判别分析详解
Fisher判别分析 将高维度空间的样本投影到低维空间上，使得投影后的样本数据在新的子空间上有最小的类内距离以及最大的类间距离，使得在该子空间上有最佳的可分离性 可以看出右侧投影后具有更好的可分离性。 Fisher判别分析和PCA差别 刚学完感觉两个很类似，实际上两个方法是从不同的角度来降维。 PCA是找到方差尽可能大的维度，使得信息尽可能都保存，不考虑样本的可分离性，不具备预测功能。 LAD(线
相关文章
- 1. Fisher判别分析
- 2. Fisher线性判别分析
- 3. LDA(Fisher)线性判别分析
- 4. Fisher判别
- 5. fisher线性判别
- 6. 【线性判别】Fisher线性判别（转）
- 7. 机器学习：线性(Fisher)判别分析
- 8. 十分钟带你了解Fisher线性判别
- 9. 判别分析
- 10. 线性分类器之Fisher线性判别
- 更多相关文章...
- • XML DOM 解析器 - XML DOM 教程
- • 免费ARP详解 - TCP/IP教程
- • Flink 数据传输及反压详解
- • 常用的分布式事务解决方案
相关标签/搜索
每日一句
-
每一个你不满意的现在，都有一个你没有努力的曾经。
欢迎关注本站公众号,获取更多信息
相关文章
- 1. Fisher判别分析
- 2. Fisher线性判别分析
- 3. LDA(Fisher)线性判别分析
- 4. Fisher判别
- 5. fisher线性判别
- 6. 【线性判别】Fisher线性判别（转）
- 7. 机器学习：线性(Fisher)判别分析
- 8. 十分钟带你了解Fisher线性判别
- 9. 判别分析
- 10. 线性分类器之Fisher线性判别