如何在scikit-learn中使用LDA（线性判别式）执行预测？

Question

我一直在测试PCA和LDA在分类要自动识别的3种不同类型的图像标签方面表现如何。 在我的代码中，X是我的数据矩阵，其中每一行是图像中的像素，而y是一维数组，说明每一行的分类。

import matplotlib.pyplot as plt
from sklearn import datasets
from sklearn.decomposition import PCA
from sklearn.lda import LDA

pca = PCA(n_components=2)
X_r = pca.fit(X).transform(X)

plt.figure(figsize = (35, 20))
plt.scatter(X_r[:, 0], X_r[:, 1], c=y, s=200)

lda = LDA(n_components=2)
X_lda = lda.fit(X, y).transform(X)
plt.figure(figsize = (35, 20))
plt.scatter(X_lda[:, 0], X_lda[:, 1], c=y, s=200)

使用LDA，我得到了3个明显可区分的集群，它们之间只有很小的重叠。 现在，如果我有一个要分类的新图像，将其转换为一维数组后，如何预测应该落入哪个簇，如果它离中心的距离太远，我怎么能说分类是“不确定的” “？ 我也很好奇，一旦适应了“ .transform（X）”函数对我的数据的处理。

Answer 1

用一些数据X训练LDA模型后，您可能需要投影其他数据Z 在这种情况下，您应该做的是：

lda = LDA(n_components=2) #creating a LDA object
lda = lda.fit(X, y) #learning the projection matrix
X_lda = lda.transform(X) #using the model to project X 
# .... getting Z as test data....
Z = lda.transform(Z) #using the model to project Z
z_labels = lda.predict(Z) #gives you the predicted label for each sample
z_prob = lda.predict_proba(Z) #the probability of each sample to belong to each class

请注意，“拟合”用于拟合模型，而不是拟合数据 。

因此，使用transform来构建表示（在这种情况下为投影），并使用predict预测每个样本的标签。 （这用于从BaseEstimator中的BaseEstimator继承的所有类。

您可以阅读文档了解更多选项和属性。

此外，sklearn的API允许您执行pca.fit_transform(X)而不是pca.fit(X).transform(X) 。 在此之后，如果您对模型本身不感兴趣，请使用此版本。

几点评论：由于PCA是一种无监督的方法 ，因此LDA是用于执行当前正在执行的“可视”分类的更好方法。

此外，如果您对分类感兴趣，则可以考虑使用不同类型的分类器，不一定要使用LDA，尽管这是一种很好的可视化方法。