线性判别分析和主元分析的主要区别是什么？

Question

“主成分分析(PCA)是本征面方法的核心，它找到一个线性的特征组合，使数据的总方差最大化。虽然这显然是一种表示数据的强大方式，但它不考虑任何类别，因此当丢弃组件时，可能会丢失许多判别信息。”(打开CV)

这里的“类”是什么意思？

“线性判别分析最大化类间散布与类内散布的比率，而不是最大化整体散布。想法很简单:相同的类应该紧密地聚集在一起，而不同的类在低维表示中彼此尽可能地远离。

在这里什么是类？

有人能在图像处理视图中解释一下吗？

Answer 1

在这些上下文中，类是指组或分类。就像“脸”或“字母”一样，有一组几何属性的东西可以用某种程度的一般性来识别。PCA试图根据对象本身对图像中的对象进行分类，而LDS则尝试对对象进行分类，并考虑到它们之间有多少相同的东西。

一个例子可能是球的图片“威尔逊”。正如您从这个人为设计的示例中看到的那样，根据您试图实现的目标(以及您的数据有多好)，每种方法都有其优点和缺点。

Answer 2

为了简单起见，PCA尝试以最小维度表示总数据。LDA也试图做同样的事情，但也要确保不同的类别可以区分(分类)。PCA对分类没有帮助。它只在降维方面有帮助。所以LDA = PCA +分类