sklearn.discriminant_analysis.LinearDiscriminantAnalysis?

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

[源碼]

線性判別分析

利用貝葉斯規則對數據擬合類條件密度，生成具有線性判定邊界的分類器。

該模型對每個類擬合一個高斯密度，假設所有類有相同的協方差矩陣。

擬合模型還可以利用 transform方法將輸入投影到最具辨別力的方向，從而降低輸入的維數。

0.17版本新增：LinearDiscriminantAnalysis。

在用戶指南中獲取更多內容。

參數 說明
solver {"svd","lsqr","eigen"}, default = "svd"
解算器可能使用的值:
?"svd": 奇異值分解(默認)。不計算協方差矩陣，因此該解算器被推薦用于具有大量特征的數據。
?"lsqr": 最小二乘解，能夠與收縮參數合并使用。
?"eigen": 特征值分解，能夠與收縮參數合并使用。
shrinkage "auto" or float，default = None
收縮參數可能使用的值:
?None: 無收縮(默認)。
?"auto": 利用Ledoit-Wolf引理進行自動收縮。
?float between 0 and1: 0 到 1 之間的修正收縮參數。

注意，收縮參數僅在"lsqr"和"eigen"解算器中有效。
priors Array_like of shape (n_classes,), default = None
先驗概率。默認情況下，類的比例是根據訓練集推斷出來的。
n_components int, default = None
降維所保留的成分個數(<= min(n_classed - 1, n_features))。如果為None，該值會賦予min(n_classes - 1, n_features)。該參數值會對變化方法產生影響。
store_convariance bool, default = False
若為真，當解算器為"svd"時，明確計算加權的類內協方差矩陣。不論真/假，其余兩種解算器的矩陣總是會被計算并儲存。

0.17版本新增。
tol float, default = 1.0e-4
對于X一個奇異值的絕對閾值，常常被用來估計X的秩，這種估計是顯著的。僅當解算器為"svd"時，不顯著的奇異值維度將會被舍棄。

0.17版本新增。
屬性 說明
chef_ ndarray of shape (n_features,) or (n_classes, n_features)
權重向量。
intercept_ ndarray of shape (n_classes,)
截距項。
covariance_ array-like of shape(n_features, n_features)
加權類內協方差矩陣。它對應于sum_k prior_k * C_k，其中C_k是k類樣本的協方差矩陣，同時它也是個估計量，來源于(可能縮小的)協方差的有偏估計。如果解算器為"svd"，該矩陣僅在store_convariance = True的情況下存在。
explained_variance_ratio_ ndarray of shape (n_components,)
每個被選中成分所能解釋的方差的百分比。如果n_conponents這個參數沒有被設置，那么所有的成分都將被保存，同時所有解釋方差的累積之和會等于1。
該值只有在"eigen" 或"svd"兩解算器情況下可以得到。
means_ array-like of shape (n_classes, n_features)
"類"均值。
priors_ array_like of shape (n_classes,)
類先驗(和為1)。
scalings_ array-like of shape (rank, n_classes - 1)
縮放特征存在于由類心所張成的空間之中。僅可以在解算器為"svd" 和"eigen"情況下獲得。
xbar_ array-like of shape (n_features,)
整體均值。只有在解算器為"svd"時，會予以展示。
classes_ array-like of shape (n_classes)
唯一類標簽。

另見：

sklearn.discriminant_analysis.QuadraticDiscriminantAnalysis

二次判別分析

示例：

>>> 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]

方法

方法 說明
decision_function(self, X) 將決策函數應用于樣本數組
fit(self, X, y) 根據給定的模型擬合LinearDiscriminantAnalysis模型
fit_transform(self, X[, y]) 擬合數據然后將其進行轉化
get_params(self[, deep]) 獲取當前估計量的參數
predict(self, X) 預測X中的樣本類型標簽
predict_log_proba(self, X) 估計對數概率
predict_proba(self, X) 估計概率
score(self, X, y[, sample_weight]) 返回給定測試數據和標簽的平均精度
set_params(self, **params) 設置當前估計量的參數
transform(self, X) 將數據投射至最大類分塊中 
__init__(self, *, solver='svd', shrinkage=None, priors=None, n_components=None, store_covariance=False, tol=0.0001)   

[源碼]

初始化self。請參閱help(type(self))以獲得準確的說明。

decision_function(self, X)          

[源碼]

對一個樣本數組應用決策函數。

決策函數等于(取決于一個常數向量)模型的對數后驗概率，也就是，log p(y = k | x)。在二元分類中，作出如下設置來對應區別。log p(y = 1 | x) - log p(y = 0 | x)。參見 LDA和QDA分類器的數學公式。

參數 說明
X array-like of shape (n_samples, n_features)
樣本數組(測試向量)。
返回值 說明
C ndarray of shape (n_samples,) or (n_sample, n_classes)
決策函數值與每個類、樣本相關。在二分類的樣例中，樣本大小為(n_samples, )，給出正類的對數似然比。		 
fit(self, X, y)

[源碼]

根據給定的模型擬合LinearDiscriminantAnalysis模型

訓練數據及參數。

0.19版本更變：store_covariance被移至主要構造函數

tol被移至主要構造函數

參數 說明
X array-like of shape (n_samples, n_features)
訓練數據
y array-like of shape (n_sample, )
目標值		 
fit_transform(self, X, y=None, fit_params)

[源碼]

擬合數據然后將其進行轉化。

使用可選參數fit_params將轉換器擬合到X和y，并返回X的轉換值。

參數 說明
X {array-like, sparse matrix, dataframe} of shape (n_sample, n_features)
y ndarray of shape (n_samples, ), default = None
目標值
**fit_params dict
附加擬合參數
返回值 說明
X_new ndarray array of shape (n_samples, n_features_new)
轉化后的數組		 
get_params(self, deep=True)

[源碼]

獲取當前估計量的參數

參數 說明
deep bool, default = True
如果為真，則將返回此估計器和其所包含子對象的參數
返回值 說明
params mapping of string to any
參數名被映射至他們的值		 
predict(self, X)

[源碼]

預測X中的樣本類型標簽。

參數 說明
X array_like or sparse matrix, shape (n_samples, n_features)
樣本
返回值 說明
C array, shape [n_samples]
每個樣本所獲得預測的分類標簽		 
predict_log_proba(self, X)     

[源碼]

估計對數概率

參數 說明
X array-like of shape (n_sample, n_features)
輸入數據
返回值 說明
C ndarray of shape (n_sample, n_classes)
估計后的對數概率		 
predict_proba(self, X)          

[源碼]

估計概率

參數 說明
X array-like of shape (n_sample, n_features)
輸入數據
返回值 說明
C ndarray of shape (n_sample, n_classes)
估計后的對數概率		 
score(self, X, y, sample_weight=None)       

[源碼]

返回給定測試數據和標簽的平均精度。

在多標簽分類中，這是子集準確性，這是一個嚴格的指標，因為你需要對每個樣本正確預測每個標簽集。

參數 說明
X array-like of sshape (n_samples, nfeatures)
測試樣本
y array-like of shape (n_sample, ) or (n_samples, n_outputs)
X中結果為真的標簽
返回值 說明
score float
self.predict(X) wrt. y.的平均精度		 
set_params(self, **params) 

[源碼]

設置當前估計量的參數。

該方法適用于簡單估計量和嵌套對象(如pipline)。后者具有形式為<component>_<parameter>的參數，這樣就讓更新嵌套對象的每個組件成為了可能。

參數 說明
f_params dict
估計量參數
返回值 說明
self object
估計器實例		 
transform(self, X)

[源碼]

將數據投射至最大類分塊中。

參數 說明
X array-like of shape (n_samples, n_features)
輸入數據
返回值 說明
X_new ndarray of shape (n_samples, n_features)
轉換后的數據