LDA： LDA 的全称是Linear Discriminant Analy sis（线性判别分析），是一种supervised learning。有些资料上也称为是Fisher’s Linear Discriminant，因为它被Ronald Fisher 发明自1936 年，Discriminant 这次词我个人的理解是，一个模型，不需要去通过概率的方法来训练、预测数据，比如说各种贝叶斯方法，就需要获取数据的先验、后验概率等等。LDA是在目前机器学习、数据挖掘领域经典且热门的一个算法，据我所知，百度的商务搜索部里面就用了不少这方面的算法。 LDA 的原理是，将带上标签的数据（点），通过投影的方法，投影到维度更低的空间中，使得投影后的点，会形成按类别区分，一簇一簇的情况，相同类别的点，将会在投影后的空间中更接近。要说明白 LDA，首先得弄明白线性分类器(Linear Classifier)：因为LDA 是一种线性分类器。对于 K-分类的一个分类问题，会有K 个线性函数： 当满足条件：对于所有的j，都有Yk > Yj,的时候，我们就说 x 属于类别k。对于每一个分类，都有一个公式去算一个分值，在所有的公式得到的分值中，找一个最大的，就是所属的分类了。 上式实际上就是一种投影，是将一个高维的点投影到一条高维的直线上，LDA 最求的目标是，给出一个标注了类别的数据集，投影到了一条直线之后，能够使得点尽量的按类别区分开，当 k=2 即二分类问题的时候，如下图所示： 红色的方形的点为0 类的原始点、蓝色的方形点为1 类的原始点，经过原点的那条线就是投影的直线，从图上可以清楚的看到，红色的点和蓝色的点被原点明显的分开了，这个数据只是随便画的，如果在高维的情况下，看起来会更好一点。下面我来推导一下二分类 LDA问题的公式： 假设用来区分二分类的直线（投影函数)为： LDA 分类的一个目标是使得不同类别之间的距离越远越好，同一类别之中的距离越近越好，所以我们需要定义几个关键的值。 类别 i 的原始中心点为：（Di 表示属于类别 i 的点) 类别 i 投影后的中心点为： 衡量类别 i 投影后，类别点之间的分散程度（方差）为： 最终我们可以得到一个下面的公式，表示 LDA 投影到 w后的损失函数： 我们分类的目标是，使得类别内的点距离越近越好（集中），类别间的点越远越好。分母表示每一个类别内的方差之和，方差越大表示一个类别内的点越分散，分子为两个类别各自的中心点的距离的平方，我们最大化 J(w)就可以求出最优的w了。想要求出最优的w，可以使用拉格朗日乘子...
