我试图运行Fisher的LDA(
1,
2)来减少矩阵的特征数量.
基本上,正确如果我错了,给定n类样本分类,Fisher’s LDA试图找到一个投影在其上的轴应该最大化值J(w),这是总样本方差与单独的方差之和的比率类.
我认为这可以用来为每个类找到最有用的功能.
我有一个m个特征的矩阵X和n个样本(m行,n列).
我有一个样本分类y,即一个n个标签的数组,每个标签对应一个样本.
基于y我想减少功能的数量,例如,3个最具代表性的功能.
使用scikit-learn我尝试了这种方式(在this documentation之后):
>>> import numpy as np
>>> from sklearn.lda import LDA
>>> X = np.array([[-1, -1], [-2, -1], [-3, -2], [1, 1], [2, 1], [3, 2]])
>>> y = np.array([1, 1, 1, 2, 2, 2])
>>> clf = LDA(n_components=3)
>>> clf.fit_transform(X, y)
array([[ 4.],
[ 4.],
[ 8.],
[-4.],
[-4.],
[-8.]])
此时我有点困惑,如何获得最具代表性的功能?
最佳答案 在安装分类器后,您正在寻找的功能位于clf.coef_中.
注意,n_components = 3在这里没有意义,因为X.shape [1] == 2,即你的特征空间只有两个维度.
你不需要调用fit_transform来获得coef_,调用clf.fit(X,y)就足够了.