提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档
文章目录
- 前言
- 一、LDA是什么？
- 二、公式推导
- 三、PCA和LDA的区别
- 总结
前言
线性判别分析（LDA）是一种有监督学习算法，同时经常被用来对数据进行降维。 它是1936年发明的，有些资料上也称之为Fisher LDA。LDA是目前机器学习、数据挖掘邻域中经典且热门的一种算法。提示：以下是本篇文章正文内容，下面案例可供参考
一、LDA是什么？
线性判别式分析，又称为Fisher线性判别。
找一个投影方向，使得把原来的类别投影到新的方向上，变成新的样本点，还能把它区分开。
准则：最大化类间均值，最小化类内方差
方差：方差小则样本不分散，更紧密。
不同类别间距离要大
二、公式推导
麻烦大家转一下手机，嘻嘻.
三、PCA和LDA的区别
左图：PCA最小重构误差，使得投影后的值和原来的值尽量接近，属于非监督学习。
右图：LDA最大化类间距离，最小化类内距离，使得投影后的不同类别的样本分的更开，属于监督学习。
总结
提示：这里对文章进行总结：
至此，我们从最大化类间距离、最小化类内距离的思想出发，推导出了LDA的优化目标以及求解方法。LDA相比PCA更善于对有类别信息的数据进行降维处理，但它对数据的分布做了一些很强的假设，例如，每个类数据都是高斯分布、各个类的协方差相等。尽管这些假设在实际中并不一定完全满足，但LDA已被证明是非常有效的一种降维方法。主要是因为线性模型对于噪声的鲁棒性比较好，但由于模型简单，表达能力有一定局限性，我们可以通过引入核函数扩展LDA方法已处理分布较为复杂的数据。
