算法原理

线性判别分析(Linear Discriminant Analysis, LDA)的原理比较简单，就是我们希望寻找到一条直线，然后我们将数据投影到这条直线上，使得这两种数据之间尽可能远离，并且同类数据尽可能聚集在一起。
假设我们有两类数据，也就是说这里是针对二分类问题以及对应的标签。数据表示为$D={(x_i,y_i)}_{i=1}^m,m=2,y_i\in (0,1)$。我们希望可以找到一条直线$y=w_1{x}_1+w_2{x}_2=wx$把两种样本分开。为了达到这个目的，我们首先要让同类的样本投影点尽可能小，即希望$w^T\sum w$小，同时我们还想让两个类的中心$u_1,u_2$投影后的距离尽量大，即$||w^T{u}_1-w^T{u}_2||$尽量大。
定义“类内散度矩阵”：
$S_w={\Sigma }_1+{\Sigma }_2={\sum }_{x\in X1}(x-{\mu }_1)(x-{\mu }_1{)}^T+{\sum }_{x\in X2}(x-{\mu }_2)(x-{\mu }_2{)}^T$

定义“类间散度矩阵”：
$S_b=({\mu }_1-{\mu }_2)({\mu }_1-{\mu }_2{)}^T$
则我们的代价函数可写为：
$J=\frac{w^T{S}_{b}w}{w^T{S}_{w}w}（1）$
这个等式叫“广义瑞利商”，这部分的仔细推导需要参考西瓜书第61页。

最后，我们希望最大化上述代价函数，由于代价函数的分子分母都有2个w，因此J的最大解与w的长度无关，只与方向有关，我们令：
$w^T{S}_{w}w=1$，则(1)式等价于：

$mi{n}_w-w^T{S}_{b}w$
$s.t.w^T{S}_{w}w=1$
使用拉格朗日乘子法：
$c(w)=w^T{S}_{b}w-\lambda (w^T{S}_{w}w-1)$
$\Rightarrow \frac{dc}{dw}=2S_{b}w-2\lambda S_{w}w=0$
$\Rightarrow S_{b}w=\lambda S_{w}w(2)$

这里观察可知$S_{b}w$的方向恒为${\mu }_1-{\mu }_2$。
所以令：$S_{b}w=\lambda ({\mu }_1-{\mu }_2)$
带入(2)得：$w=S_w^{-1}({\mu }_1-{\mu }_2)$
有了这个式子，我们就可以写出代码来可视化看看了。

代码实现

#coding=utf-8
import numpy as np
import matplotlib.pyplot as plt
from sklearn.datasets.samples_generator import make_classification

def LDA(X, y):
    X1 = np.array([X[i] for i in range(len(X)) if y[i] == 0])
    X2 = np.array([X[i] for i in range(len(X)) if y[i] == 1])

    len1 = len(X1)
    len2 = len(X2)

    # 求均值向量u1,u2
    miu1 = np.mean(X1, axis=0)
    miu2 = np.mean(X2, axis=0)

    # 求S_w
    # \sum_0
    conv1 = np.dot((X1 - miu1).T, (X1 - miu1))
    # \sum_1
    conv2 = np.dot((X2 - miu2).T, (X2 - miu2))
    Sw = conv1 + conv2

    # 计算w
    w = np.dot(np.mat(Sw).I, (miu1 - miu2).reshape((len(miu1), 1)))
    X1_new = np.dot(X1, w)
    X2_new = np.dot(X2, w)
    y1_new = [0 for i in range(len1)]
    y2_new = [1 for i in range(len2)]
    return X1_new, X2_new, y1_new, y2_new

def main():
    X, y = make_classification(n_samples=500, n_features=2, n_redundant=0, n_classes=2,
                               n_informative=1, n_clusters_per_class=1, class_sep=0.5, random_state=10)

    X1_new, X2_new, y1_new, y2_new = LDA(X, y)

    # 可视化原始数据
    plt.scatter(X[:, 0], X[:, 1], marker='o', c=y)
    plt.show()
    # 可视化LDA降维后的数据
    plt.plot(X1_new, y1_new, "bo")
    plt.plot(X2_new, y2_new, "ro")
    plt.show()

main()

数据

使用sklearn的make_classification产生两个分类的随机数据，可视化如下：

经过LDA之后，我们将每个数据的标签可视化出来：

可以看到LDA算法将我们的数据集很好的分开了，由此可以说明LDA是有效的。
这里有个最大的缺点是这里的算法只能处理二分类，要处理多分类的话，需要在这个算法的基础上进行推广。请看下文。

参考文章

https://blog.csdn.net/z962013489/article/details/79871789