sklearn.discriminant_analysis.LinearDiscriminantAnalysis 笔记
（2018第一篇随笔）
承接上个博客，这次来读sklearn的python代码说明以及源码
/*******************************************************代码说明*************************************************************/
class sklearn.discriminant_analysis.LinearDiscriminantAnalysis(solver='svd', shrinkage=None, priors=None, n_components=None, store_covariance=False, tol=0.0001)
-
类的参数
Solver:string,可选
有三种参数值：
'svd':奇异值分解（默认设置）。不计算协方差矩阵，推荐在数据维数较大时使用
'lsqr':最小平方解，可以进行shrinkage
'eigen':特征值分解，可以进行shrinkage
Shrinkage:string/float,可选
收缩参数，有三种可能:
None:不进行收缩（默认设置）
'auto':根据Ledoit-Wolf lemma自动选择收缩
0-1之间的浮点数:固定的收缩参数
（注意收缩只在'lsqr'和'eigen'时才有效）
Priors:array数组（大小为类别数），可选。类先验概率
n_components:整形，可选
维数约减的维数（<类别数-1）
Store_covariance:bool,可选
计算类协方差矩阵（默认为false），只用于'svd'的情况
Tol:浮点数，可选（默认1.0e-4）
秩估计的阈值在'svd'中
-
类的属性
Coef_:array数组，大小为（#features）或（#classes,#features）
（多个）权值向量
Intercept:array数组，大小（#features）
截距
Covariance_:array-like? 大小（#features*#features）
所有类的协方差矩阵
Explained_variance_ratio_:array数组，大小（n_components,）
每个选定components解释的方差比。若n_components未设定，那么所有的components组件被存储而且被解释的方差之和为1。只在'svd'or'eigen'时可用
Means_:arrray-like，大小（#类别，#特征）
类均值
Priors_:array-like,大小（#类别）
类的先验，和为1
Scalings_:array-like，大小（rank秩，类别数-1）
由类质心张成空间中特征的规模scaling?
(Scaling of the features in the space spanned by the class centroids.)
Xbar_:array-like,大小（#features）
所有样本的均值
Classes_:array-like,大小（#classes）
唯一的类标
Examples:
1 >>> import numpy as np 2 >>> from sklearn.discriminant_analysis import LinearDiscriminantAnalysis 3 >>> X = np.array([[-1, -1], [-2, -1], [-3, -2], [1, 1], [2, 1], [3, 2]]) 4 >>> y = np.array([1, 1, 1, 2, 2, 2]) 5 >>> clf = LinearDiscriminantAnalysis() 6 >>> clf.fit(X, y) 7 LinearDiscriminantAnalysis(n_components=None, priors=None, shrinkage=None, 8 solver='svd', store_covariance=False, tol=0.0001) 9 >>> print(clf.predict([[-0.8, -1]])) 10 [1]
-
类的方法
|
预测样本的置信度分数 |
|
|
fit(X, y) |
根据给定的训练数据和参数拟合线性判别分析模型 |
|
fit_transform(X[, y]) |
拟合数据，然后转换 |
|
get_params([deep]) |
得到该估计器的参数 |
|
predict(X) |
预测X的类标 |
|
估计对数概率值 |
|
|
估计概率 |
|
|
score(X, y[, sample_weight]) |
返回对于训练集的平均分类准确率（给定类标） |
|
set_params(**params) |
给该估计器设置参数 |
|
transform(X) |
投影数据使得最大化类间隔 |
__init__(solver='svd', shrinkage=None, priors=None, n_components=None, store_covariance=False, tol=0.0001)[source]
该类的析构函数。设定参数的默认值
decision_function(X)[source]
样本的置信度分数是该样本到（分类）超平面的有符号距离
|
参数 |
X：{array-like数组，稀疏矩阵},大小=（样本数，特征维数） 样本 |
|
返回值 |
数组；在两类的情况下大小=（样本数，）否则（样本数，类别数） 返回的数组是对于每一个（样本，类别）的置信度分数。在两类的情况下，self.classes_[1]的置信度分数>0意味着这个类将被预测
|
fit(X, y)[source]
|
参数 |
X：array-like数组，大小（样本数，特征数） 训练数据 Y:数组，大小（样本数，） 目标值 |
fit_transform(X, y=None, **fit_params)[source]
对X和y拟合转换模型（可选参数fit_para），返回X的转换后的版本
|
参数 |
X:ndarray，大小[样本数，特征数] 训练集 y:ndarray，大小[样本数] 目标值 |
|
返回值 |
X_new:ndarray大小[样本数，新的特征数] 转换后的数组 |
get_params(deep=True)[source]
|
参数 |
Deep:布尔型，可选 若为真，将会返回该估计器的参数，而且包含子对象，子对象是估计器 |
|
返回值 |
Params:字符串到任何事的映射 对应于他们的值的参数名 |
predict(X)[source]
|
参数 |
X：{array-like数组，稀疏矩阵}，大小=[样本数，特征数] 样本 |
|
返回值 |
C：数组，大小=[样本数] 每个样本的类标 |
predict_log_proba(X)[source]
|
参数 |
X：array-like数组，大小=（样本数，特征数） 输入的数据 |
|
返回值 |
C：数组，大小=（样本数，类别数） 估计的对数概率 |
predict_proba(X)[source]
|
参数 |
X：array-like数组，大小=（样本数，特征数） 输入的数据 |
|
返回值 |
C：数组，大小=（样本数，类别数） 估计的概率 |
score(X, y, sample_weight=None)[source]
在多类标分类问题中，这是一个苛刻度量标准的子集准确率，因为对于每个样本你都要求标签集被正确预测
|
参数 |
X：array-like，大小=（样本数，特征数） 测试样本 y：array-like，大小=（样本数）或（样本数，n_outputs） X的真实类标 Sample_weight:array-like，大小=[样本数]，该参数可选 样本的权值？ |
|
返回值 |
Score:浮点型 预测函数self.predict(X) wrt. y.的平均准确率 |
set_params(**params)[source]
该方法既工作于简单的估计器，也在嵌套的对象（比如pipelines）。后者有参数，其形式：
<component>__<parameter>。他可能会更新嵌套对象的每个component。
返回：self:
transform(X)[source]
|
参数值 |
X：array-like，大小（样本数，特征数） 输入数据 |
|
返回值 |
X_new:array，大小（样本数，n_components） 转换后的数据 |
下面是四个该算法的实例
