Python sklearn LinearDiscriminantAnalysis用法及代码示例

本文简要介绍python语言中 sklearn.discriminant_analysis.LinearDiscriminantAnalysis 的用法。

用法:

class sklearn.discriminant_analysis.LinearDiscriminantAnalysis(solver='svd', shrinkage=None, priors=None, n_components=None, store_covariance=False, tol=0.0001, covariance_estimator=None)

线性判别分析。

具有线性决策边界的分类器，通过将类条件密度拟合到数据并使用贝叶斯规则生成。

假设所有类共享相同的协方差矩阵，该模型将高斯密度拟合到每个类。

拟合模型还可用于通过使用transform 方法将输入投影到最具辨别力的方向来降低输入的维数。

在用户指南中阅读更多信息。

参数：

solver：{‘svd’, ‘lsqr’, ‘eigen’}，默认='svd'

使用的求解器，可能的值：

• ‘svd’：奇异值分解(默认)。不计算协方差矩阵，因此建议将此求解器用于具有大量特征的数据。
• ‘lsqr’：最小二乘解。可以与收缩或自定义协方差估计器结合使用。
• ‘eigen’：特征值分解。可以与收缩或自定义协方差估计器结合使用。

shrinkage：‘auto’ 或浮点数，默认=无

收缩参数，可能的值：

• 无：无收缩(默认)。
• ‘auto’：使用Ledoit-Wolf 引理自动收缩。
• 在 0 和 1 之间浮点数：固定收缩参数。

如果使用 covariance_estimator，则应将其保留为 None。请注意，收缩仅适用于 ‘lsqr’ 和 ‘eigen’ 解算器。

priors：形状类似数组 (n_classes,)，默认=无

类先验概率。默认情况下，类比例是从训练数据中推断出来的。

n_components：整数，默认=无

用于降维的组件数 (<= min(n_classes - 1, n_features))。如果没有，将设置为 min(n_classes - 1, n_features)。此参数仅影响transform 方法。

store_covariance：布尔，默认=假

如果为 True，当求解器为 ‘svd’ 时，显式计算加权 within-class 协方差矩阵。总是为其他求解器计算和存储矩阵。

tol：浮点数，默认=1.0e-4

X 的奇异值被视为显著的绝对阈值，用于估计 X 的等级。奇异值不显著的维度将被丢弃。仅在求解器为 ‘svd’ 时使用。

covariance_estimator：协方差估计器，默认=无

如果不是 None，covariance_estimator 用于估计协方差矩阵，而不是依赖经验协方差估计器(具有潜在的收缩)。该对象应该有一个 fit 方法和一个 covariance_ 属性，就像 sklearn.covariance 中的估计器一样。如果 None 收缩参数驱动估计。

如果使用 shrinkage，则应将其保留为 None。请注意，covariance_estimator 仅适用于 ‘lsqr’ 和 ‘eigen’ 求解器。

属性：

coef_：ndarray 形状 (n_features,) 或 (n_classes, n_features)

权重向量。

intercept_：ndarray 形状 (n_classes,)

截取项。

covariance_：形状类似数组 (n_features, n_features)

加权within-class协方差矩阵。它对应于 sum_k prior_k * C_k 其中 C_k 是类 k 中样本的协方差矩阵。 C_k 是使用(可能缩小的)有偏的协方差估计量估计的。如果求解器为‘svd’，则仅在store_covariance 为 True 时存在。

explained_variance_ratio_：ndarray 形状 (n_components,)

每个选定组件解释的方差百分比。如果未设置n_components，则存储所有分量，解释方差之和等于 1.0。仅在使用 eigen 或 svd 求解器时可用。

means_：形状类似数组 (n_classes, n_features)

Class-wise 表示。

priors_：形状类似数组 (n_classes,)

类先验(总和为 1)。

scalings_：形状类似数组(等级，n_classes - 1)

类质心所跨越的空间中特征的缩放。仅适用于‘svd’ 和‘eigen’ 解算器。

xbar_：形状类似数组 (n_features,)

总体平均。仅当求解器为 ‘svd’ 时才存在。

classes_：形状类似数组 (n_classes,)

唯一的类标签。

n_features_in_：int

拟合期间看到的特征数。

feature_names_in_：ndarray 形状(n_features_in_，)

拟合期间看到的特征名称。仅当 X 具有全为字符串的函数名称时才定义。

例子：

>>> import numpy as np
>>> from sklearn.discriminant_analysis import LinearDiscriminantAnalysis
>>> 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 = LinearDiscriminantAnalysis()
>>> clf.fit(X, y)
LinearDiscriminantAnalysis()
>>> print(clf.predict([[-0.8, -1]]))
[1]