我正在尝试运行Fisher的LDA(1，2)以减少矩阵特征的数量。
基本上，如果我错了，就给定n个样本分类为多个类别，这是正确的，Fisher的LDA会尝试找到一个投影在其上的轴应使值J(w)最大化，该值是样本总方差与单独方差之和的比值类。
我认为这可以用来为每个类找到最有用的功能。
我有m个特征和n个样本(m行，n列)的矩阵X。
我有一个样本分类y，即n个标签的数组，每个样本一个。
基于y，我想将特征数量减少到例如3个最具代表性的特征。
我以这种方式使用scikit-learn(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.]])
此时我有些困惑，如何获得最具代表性的功能？
最佳答案
装配分类器后，您要寻找的功能在clf.coef_中。
请注意n_components=3在这里没有意义，因为X.shape[1] == 2即您的特征空间只有二维。
您无需调用fit_transform即可获得coef_，只要调用clf.fit(X, y)就足够了。