pca与lda的区别
PCA和LDA的主要区别如下：
1. 学习方式：PCA是一种无监督学习方式，它不需要训练样本的标签。而LDA是一种有监督学习方式，它需要训练样本的标签。
2. 目标：PCA的目标是去除原始数据中的冗余特征，使得投影在各个维度的方差尽可能大。而LDA的目标是寻找一个维度，使得原始数据在该维度上投影后不同类别的数据尽可能分离开来。
3. 投影方式：PCA是正交投影，它的思想是使得原始数据在投影子空间的各个维度的方差最大。而LDA的投影方式是使得类内方差最小，类间方差最大。
4. 计算方法：PCA最后是求variance-covariance matrix的eigenvalue problem。而LDA最后是求between-class scatter matrix和within-class scatter matrix的generalized eigenvalue problem。
尽管它们在降维操作和矩阵分解的思想上有相似之处，但它们的应用场景和目标有所不同。
如有侵权请及时联系我们处理，转载请注明出处来自
推荐文章
科技快看 广州壹创集信息科技有限公司 版权所有 粤ICP备2021122624号
