一般来说，我对scikit学习和机器学习非常陌生。
我目前正在设计一种SVM，以预测特定的氨基酸序列是否会被蛋白酶切割。到目前为止，SVM方法似乎运行良好：
我想可视化两个类别（剪切和未剪切）之间的距离，因此我尝试使用线性判别分析，该分析与主成分分析相似，并使用以下代码：
from sklearn.discriminant_analysis import LinearDiscriminantAnalysis
lda = LinearDiscriminantAnalysis(n_components=2)
targs = np.array([1 if _ else 0 for _ in XOR_list])
DATA = np.array(data_list)
X_r2 = lda.fit(DATA, targs).transform(DATA)
plt.figure()
for c, i, target_name in zip("rg", [1, 0],["Cleaved","Not Cleaved"]):
plt.scatter(X_r2[targs == i], X_r2[targs == i], c=c, label=target_name)
plt.legend()
plt.title('LDA of cleavage_site dataset')
但是，LDA仅给出一维结果
In: print X_r2[:5]
Out: [[ 6.74369996]
[ 4.14254941]
[ 5.19537896]
[ 7.00884032]
[ 3.54707676]]
但是，pca分析将使用我输入的数据给出2维：
pca = PCA(n_components=2)
X_r = pca.fit(DATA).transform(DATA)
print X_r[:5]
Out: [[ 0.05474151 0.38401203]
[ 0.39244191 0.74113729]
[-0.56785236 -0.30109694]
[-0.55633116 -0.30267444]
[ 0.41311866 -0.25501662]]
编辑：这是带有输入数据的两个Google文档的链接。我不是在使用序列信息，而是在后面的数字信息。这些文件分为正控制数据和负控制数据。
输入数据：
file1
file2
最佳答案
LDA不是降维技术。 LDA是一个分类器，人们将决策函数可视化只是一个副作用，并且-不幸的是，对于您的用例-二元问题（2类）的决策函数是1维的。您的代码没有错，这就是线性二进制分类器的每个决策函数的外观。
通常，对于2个类，您最多可以得到1个维度的投影；对于K> 2类，则最多可以得到K个维度的投影。使用其他分解技术（例如1对1），您可以提高到K（K-1）/ 2，但又只能提高两个以上的类。
关于machine-learning - Python(Scikit Learn)LDA折叠为一维，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/39083308/