机器学习笔记-----Fisher判别式
本文申明：本系列文章为本人原创，如有转载请注明文章原地址。
今天我们机器学习老师在说到周志华老师的《机器学习》这本书的时候，p60页讲到了LDA，但是其中的公式推导省略了很多，现在我来补充一下。
一：LDA的思想
给定两个数据集一个是XX一个是OO，然后我们把XXOO投影到一条直线上，但是啊，这个人是很坏的，人家XXOO本来想分配到一起，但是你非要让人家两类离得越远越好，相同的呢离得越近越好，美其名：异性只是繁衍，同性才是真爱。哎，你说这不是泯灭人性么，好吧，我们先不扯蛋了。说正题：
1.1首先我们定义mi,它表示这个i类样本d维空间的均值。也就是这个分别代表类xx和oo。mi表示如下。
那么我们既然知道了这个，我们是不是也要找一个投影到这条直线上的代表点啊，所以就有了：
那么现在我们就可以知道两个分类之间的距离了：
从上述式子我们可以看出，改变直线的斜率，也就是方向，可以改变两者之间的大小。
刚刚我们说了我们的准则就是让类内之间的距离最小，这是不是有点像我们之前的指示函数，那么如下图公式：
我们前面已经说过，这是一个二分类问题，现在已经给了一般形式的离散度（我们叫他离散度，其实就是真实值与预测值（这里用平方表示预测值）的平方），那我们是不是要把这个两个离散度相加，然后让这个达到最小？
总得离散度为：
为了让类内的距离越小，类间的距离越大，我给出下面的判别式。你们看，能不能满足。
，现在只要让J(W)达到极大，是不是就可以让我们前面说的两个要求满足？
那就让我们来求出J(W)的极大值。
1.2求其中一类的离散度（就是那一类的点到这个类中平均点的距离之和）
公式：
二分类问题就是总得离散度为:
1.2类间的离散度用矩阵表示为：
那么：
所以总得类内离散度：
有因为：
所以：
这就是广义瑞利商（generalized Rayleigh quotient）。它有如下性质：
1：
，a是一个实数。
2：大小与w大小无关，只与w的方向有关。
至于求极值那就从周志华老师的那本书有，我现在截图给大家吧：
本篇文章就写到这里了，如有疑问请提问，我会解答的。谢谢大家。
