数学推导+纯Python实现机器学习算法27：LDA线性判别分析

Python机器学习算法实现

Author：louwill

Machine Learning Lab

     

    线性判别分析（Linear Discriminant Analysis，LDA）是一种经典的线性分类方法。注意机器学习中还有一种用于NLP主题模型建模的潜在狄利克雷分布（Latent Dirichlet Allocation）也简称为LDA，大家在学习的时候注意区分。不同于上一讲谈到的PCA降维使用最大化方差的思想，LDA的基本思想是将数据投影到低维空间后，使得同一类数据尽可能接近，不同类数据尽可能疏远。所以，LDA是一种有监督的线性分类算法。

LDA原理与推导

下图描述了PCA和LDA直观上的区别。

我们来看LDA的基本原理推导。给定数据集，其中 、 、 分别表示为第 类数据的集合、均值向量和协方差矩阵。假设将上述数据投影到直线 上，则两类样本的中心投射到直线上的投影分别为 和 ，考虑所有样本投射情况下，两类样本的协方差分别为 和 。由于直线 为一维空间，上述值均为实数。

现在我们的优化目标是使同类样本的投影点尽可能相近，异类样本投影点尽可能远离。要让同类样本的投影点尽可能相近，我们可以使同类样本投影点的协方差尽可能的小，即 尽可能小。异类样本投影点尽可能远离，可以使得类中心点之间的距离尽可能大，即 尽可能大。同时考虑这两个优化目标的情况下，我们可以定义最大化目标函数：

定义类内散度矩阵 ： 定义类间散度矩阵 ：

则上述优化目标可改写为：

上式即为LDA最终要优化的目标。现在问题在于我们要如何求出 。这里可以令 ，则上述优化式可表示为：

 
 

根据条件约束优化求解的拉格朗日乘子法，上式等于：

令

并代入到 可得：

考虑到 矩阵数值解的稳定性，我们可以对其进行奇异值分解，即：

最后求其逆即可得到 。

根据上述推导，我们可以整理LDA完整的算法流程为：

• 对数据按类别分组

• 分别计算每组样本的均值和协方差

• 计算类间散度矩阵

• 计算均值差

• SVD方法计算类间散度矩阵 的逆

• 根据 计算 。

• 计算投影后的数据点

读者还可以自行考虑将LDA推广到多分类情况，这里不再展开推导。

LDA基本实现

   按照前述LDA算法流程，我们可以给基于numpy来实现一个简单的LDA模型。基本关     键点包括计算分组均值与协方差、类间散度矩阵和SVD分解等。具体实现过程如下代     码所示：

import numpy as np


class LDA():
    def __init__(self):
        self.w = None
    
    def calculate_covariance_matrix(self, X, Y=None):
        # 计算协方差矩阵
        m = X.shape[0]
        X = X - np.mean(X, axis=0)
        Y = X if Y == None else Y - np.mean(Y, axis=0)
        return 1 / m * np.matmul(X.T, Y)
    
    # 对数据进行向量转换
    def transform(self, X, y):
        self.fit(X, y)
        X_transform = X.dot(self.w)
        return X_transform
    
    # LDA拟合过程
    def fit(self, X, y):
        # 按类划分
        X0 = X[y == 0]
        X1 = X[y == 1]


        # 分别计算两类数据自变量的协方差矩阵
        sigma0 = self.calculate_covariance_matrix(X0)
        sigma1 = self.calculate_covariance_matrix(X1)
        # 计算类内散度矩阵
        Sw = sigma0 + sigma1


        # 分别计算两类数据自变量的均值和差
        u0, u1 = X1.mean(0), X2.mean(0)
        mean_diff = np.atleast_1d(u0 - u1)


        # 对类内散度矩阵进行奇异值分解
        U, S, V = np.linalg.svd(Sw)
        # 计算类内散度矩阵的逆
        Sw_ = np.dot(np.dot(V.T, np.linalg.pinv(S)), U.T)
        # 计算w
        self.w = Sw_.dot(mean_diff)
    
    # LDA分类预测
    def predict(self, X):
        y_pred = []
        for sample in X:
            h = sample.dot(self.w)
            y = 1 * (h < 0)
            y_pred.append(y)
        return y_pred

本文只给出二分类的LDA的推导和基本实现，读者可自行将其推广到多分类的情形，这里不做过多展开。sklearn中为LDA算法提供了sklearn.lda.LDA接口可供调用，实际应用时直接调用该接口即可。

参考资料：

周志华 机器学习 

往期精彩：

数学推导+纯Python实现机器学习算法26：PCA降维

数学推导+纯Python实现机器学习算法28：奇异值分解SVD

数学推导+纯Python实现机器学习算法29：马尔可夫链蒙特卡洛

数学推导+纯Python实现机器学习算法17：XGBoost

数学推导+纯Python实现机器学习算法13：Lasso回归

数学推导+纯Python实现机器学习算法10：线性不可分支持向量机

---

一个算法工程师的成长之路

长按二维码.关注机器学习实验室

喜欢您就点个在看！