深度学习知识点汇总-机器学习基础(9)
2019-05-13 本文已影响0人
深度学习模型优化
2.9 LDA和PCA比较
- 相同点: 1. 两者均可以对数据进行降维; 2. 两者在降维时均使用了矩阵特征分解的思想; 3. 两者都假设数据符合高斯分布;
- 不同点:1. LDA是有监督的降维方法;PCA是无无监督的降维方法;2. LDA可以用于降维,还可以用于分类;PCA只用于降维;3. LDA选择分类性能最好的投影方向;PCA选择样本点投影具有最大方差的方向;
LDA的优缺点分析:
- 优点:1. 可以使用类别的先验知识; 2. 以标签、类别衡量差异性的有监督降维方式,相对于PCA的模糊性,其目的更明确,更能反映样本间的差异;
- 缺点:1. LDA不适合对非高斯分布样本进行降维; 2. LDA降维最多降到分类数k-1维; 3. LDA在样本分类信息依赖方差而不是均值时,降维效果不好; 4. LDA可能过度拟合数据。