線性判別分析與原理分量分析的主要區別是什麼

「作爲特徵面方法核心的主成分分析（PCA）發現了數據總方差最大的特徵的線性組合，顯然是表示數據的一種強有力的方式，它不考慮任何類別，因此在丟棄組件時很多歧視性信息可能會丟失。「（公開簡歷）線性判別分析與原理分量分析的主要區別是什麼

這裏「CLASSES」是什麼意思？

「線性判別分析可以最大化類間類與類內散點的比例，而不是最大化整體散點。思路很簡單：相同的類應緊密地聚集在一起，而不同的類儘可能遠從低維表示對方。

在這裏由類也什麼概念????

能有一個人請在這些背景下的手段在圖像處理視圖感謝名單解釋這個

2013-10-25 user2921008

類團體或分類'面部'或'字母'，這些東西具有一系列幾何特性，可以通過一定程度的通用性來識別。 PCA嘗試對它們自己的圖像中的對象進行分類，而LDS試圖對事物進行分類，並考慮它們附近有多少相同的事物。

一個例子可能是一個球「威爾遜」的圖片。就其本身而言，它看起來不像一張臉，而PCA將它看作是一張臉的可能性很低，但如果包含湯姆漢克斯在旁邊的圖片則將LDS方法歸類爲將湯姆漢克斯分類爲臉並導致威爾遜更可能是一張臉。正如你從這個人爲的例子中可以看到的，這取決於你想要達到什麼（以及你的數據有多好），每種方法都有其優點和缺點。

來源

2013-10-25 18:47:47

即時匹配草圖臉部（繪畫照片）到彩色照片。所以爲了研究，我想找出匹配草圖繪製到彩色面孔的挑戰是什麼。現在我已經發現， 1.分辨率像素差異2.紋理差異3.距離差異4.和顏色（沒有太大影響）我想知道，在技術方面什麼是其他挑戰和我即將使用費舍爾在線性判別分析下的面對法，你能告訴我，這種方法會幫助我做到這一點。 thanx – user2921008

你正在努力處理比我能幫助的難得多的問題，但是這個評論幾乎可以成爲它自己的問題，而且我確信這裏有一些聰明的人，我肯定可以提供幫助。如果可能的話包括測試圖片。祝你好運！ –

沒關係，我可以看到你已經試過了。一秒鐘，我會添加一個賞金，看看你是否有更多的運氣（並添加一些示例圖片，它會解決你的第一個問題的有效評論） –

爲了簡單起見，PCA嘗試用最小維度表示總數據。 LDA也試圖做同樣的事情，但也要確保不同的類可以區分（分類）。 PCA無助於分類。它只有在減少一分錢時纔有幫助。 SO LDA = PCA +分類

來源

2014-07-18 12:03:49 user3852441

線性判別分析與原理分量分析的主要區別是什麼

回答

相關問題