网上有关“fisher判别分析与距离判别分析的区别”话题很是火热，小编也是针对fisher判别分析与距离判别分析的区别寻找了一些与之相关的一些信息进行分析，如果能碰巧解决你现在面临的问题，希望能够帮助到您。
fisher判别分析与距离判别分析的区别有建立模型的方式不同、对数据分布的假设不同、处理的问题不同。
1、建立模型的方式不同。Fisher判别分析是一种基于统计学原理的线性分类方法，通过寻找最佳投影方向，将原始特征空间映射到一个新的低维度特征空间中，并在新的特征空间中寻找一个最优决策面来进行分类。距离判别分析是一种基于距离度量的分类方法，通过计算不同样本之间的距离来确定分类决策。
2、对数据分布的假设不同。Fisher判别分析假设不同类别的数据分布服从高斯分布，并且各类别的协方差矩阵相等，即所有类别的数据都是同一个高斯分布的采样结果。距离判别分析并不对数据分布做出假设，通过计算不同样本之间的距离来确定分类决策。
3、处理的问题不同。Fisher判别分析主要用于解决二分类问题或多分类问题。距离判别分析不仅可以用于分类问题，还可以用于聚类分析、异常检测等其他问题。
Fisher判别法是一种线性判别方法，它基于投影的概念，将高维数据投影到低维空间中，以便进行分类。这种方法最早由英国统计学家Ronald Fisher提出，因此得名Fisher判别法。Fisher判别法的判断规则如下：
1.计算投影向量：首先，我们需要找到一个投影向量，将高维数据投影到低维空间中。这个投影向量可以通过求解广义特征问题得到。具体来说，我们需要找到一个投影向量，使得在投影后，同类样本尽可能接近，不同类样本尽可能远离。
2.计算判别函数：一旦得到了投影向量，我们就可以计算判别函数。判别函数是通过对投影后的数据进行线性或非线性变换得到的。这个变换可以是任何可学习的映射，比如sigmoid函数或tanh函数。
3.分类：最后，我们通过比较判别函数的值来对新的样本进行分类。如果判别函数的值大于某个阈值，那么我们就将这个样本归为某一类；否则，我们就将其归为另一类。
4.Fisher判别法是一种非常有效的分类方法，它适用于多种数据类型，包括文本、图像和声音等。在实际应用中，这种方法通常与其他的机器学习算法结合使用，以提高分类准确率。
值得注意的是，Fisher判别法也存在一些局限性。例如，它假设同类样本的分布是相同的，这在实际应用中可能不成立。此外，Fisher判别法只能处理二分类问题，对于多分类问题需要进行扩展或改进。
Fisher判别法是一种经典的线性判别方法，它通过寻找合适的投影向量和判别函数来实现分类。这种方法适用于多种数据类型和应用场景，但在实际应用中需要注意其局限性并进行改进。
关于“fisher判别分析与距离判别分析的区别”这个话题的介绍，今天小编就给大家分享完了，如果对你有所帮助请保持对本站的关注！
本文来自作者[冰岚]投稿，不代表臻昂号立场，如若转载，请注明出处：https://anzhentang.com/angzhen/1005.html
评论列表（4条）
我是臻昂号的签约作者“冰岚”！
希望本篇文章《fisher判别分析与距离判别分析的区别》能对你有所帮助！
本站[臻昂号]内容主要涵盖：生活百科,小常识,生活小窍门,知识分享
本文概览：网上有关“fisher判别分析与距离判别分析的区别”话题很是火热，小编也是针对fisher判别分析与距离判别分析的区别寻找了一些与之相关的一些信息进行分析，如果能碰巧解决你现在...