机器学习-特征选择(降维) 线性判别式分析(LDA)
特征选择(亦即降维)是数据预处理中非常重要的一个步骤。对于分类来说，特征选择可以从众多的特征中选择对分类最重要的那些特征，去除原数据中的噪音。主成分分析(PCA)与线性判别式分析(LDA)是两种最常用的特征选择算法。关于PCA的介绍，可以见我的 另一篇博文。这里主要介绍线性判别式分析(LDA)，主要基于Fisher Discriminant Analysis with Kernals[1]和Fisher Linear Discriminant Analysis[2]两篇文献。
LDA与PCA的一大不同点在于，LDA是有监督的算法，而PCA是无监督的，因为PCA算法没有考虑数据的标签(类别)，只是把原数据映射到一些方差比较大的方向(基)上去而已。而LDA算法则考虑了数据的标签。文献[2]中举了一个非常形象的例子，说明了在有些情况下，PCA算法的性能很差，如下图：
我们用不同的颜色标注C1,C2两个不同类别的数据。根据PCA算法，数据应该映射到方差最大的那个方向，亦即Y轴方向，但是如果映射到Y轴方向，C1,C2两个不同类别的数据将完全混合在一起，很难区分开，所以使用PCA算法进行降维后再进行分类的效果会非常差。但是使用LDA算法，数据会映射到X轴方向。
LDA算法会考虑到数据的类别属性，给定两个类别C1、C2，我们希望找到一个向量ω,当数据映射到ω的方向上时，来自两个类的数据尽可能的分开，同一个类内的数据尽可能的紧凑。数据的映射公式为：z=ω Tx, 其中z是数据x到ω上的投影，因而也是一个d维到1维的维度归约。
令 m 1和m 1分别表示C1类数据投影之前个投影之后的均值，易知m 1=ω T m 1,同理m 2=ω T m 2
令s 1 2和s 2 2分别表示C1和C2类数据在投影之后的散布(scatter)，亦即s 1 2=∑(ω Tx t-m1) 2r t，s 2 2=∑(ω Tx t-m2) 2（1-r t）其中如果x t∈C1,则r t=1，否则r t=0。
我们希望|m 1-m 2|尽可能的大，而s 1 2+s 2 2尽可能的小， Fisher线性判别式就是最大化下面式子的ω：
J(ω)=(m 1-m 2) 2/(s 1 2+s 2 2) 式子-1
改写式子-1中的分子： (m 1-m 2) 2= (ω T m 1-ω T m 2) 2=ω T( m 1- m 2)( m 1- m 2) Tω=ω T S Bω
其中 S B=( m 1- m 2)( m 1- m 2) T 式子-2
是 类间散布矩阵(between class scatter matrix)。
改写式子-1中的分母：
∑(ω Tx t-m1) 2r t=∑ω T(x t- m 1)(x t- m 1) Tωr t=ω T S 1ω, 其中 S 1=∑r t(x t- m 1)(x t- m 1) T是C1的 类内散布矩阵(within class scatter matrix)。
令 S W= S 1+ S 2，是 类内散布的总和，则s 1 2+s 2 2=ω T S Wω。
所以式子-1可以改写为：
J(ω)=(ω T S Bω)/(ω T S Wω) 式子-3
我们只需要使式子-3对于ω求导，然后使导数等于0，便可以求出ω的值：ω=c S W -1( m 1- m 2),其中c是一个参数，我们只对ω的方向感兴趣，所以c可以取值为1.
另外，最后求得的 J(ω)的值等于λ k，λ k是 S W -1 S B的最大的特征值，而ω则是 S W -1 S B的最大特征值所对应的特征向量。
最后有一些关于LDA算法的讨论，出自文献[1]：
1. Fisher LDA对数据的分布做了一些很强的假设，比如每个类的数据都是高斯分布，各个类的协方差相等。虽然这些强假设很可能在实际数据中并不满足，但是Fisher LDA已经被证明是非常有效地降维算法，其中的原因是线性模型对于噪音的鲁棒性比较好，不容易过拟合。
2. 准确的估计数据的散布矩阵是非常重要的，很可能会有较大的偏置。用式子-2进行估计在样本数据比较少(相对于维数来说)时会产生较大的变异性。
参考文献：
[1] Fisher Discriminant Analysis with Kernals. Sebastian Mika, Gunnar Ratsch, Jason Weston, Bernhadr Scholkopf, Klaus-Robert Muller.
[2] Fisher Linear Discriminant Analysis. Max Welling.
[3] 机器学习导论。 Ethem Alpaydin
本文链接