线性判别

本资源讲解判别分析概念、Fisher线性判别，并提供相关算例。

线性判别函数利用输入特征的线性组合构建决策边界。以二分类为例，判别函数 g(x) 若大于零，则样本 x 属于类别 C1；反之，若 g(x) 小于零，则样本 x 属于类别 C2。g(x)=0 定义了特征空间中的决策面，用于区分不同类别。

这是一个完整的人脸识别系统，使用Matlab编写，基于Fisher线性判别算法。

详细讲解了图9.14中线性判别分析模型的预测结果，帮助读者深入理解该模型的运作原理及其在TinyXML中的应用。

数据集包含基于气候数据进行分类的Fisher线性判别分析（LDA）示例。

这是一份多类训练集的线性判别分析源代码，专为铜浮选工况识别而设计，采用matlab语言编写。

通过案例分析，展示费舍尔判别法 (LDA) 和贝叶斯判别法从数学理论到计算机模型以及计算的完整过程。区别于直接调用 R 语言包，本实现相当于重写了判别法，深入剖析算法细节。

假设我们有 k 个总体，分别记为 $G_1, G_2,..., G_k$，每个总体都有其对应的概率密度函数 $f_1(x), f_2(x), ..., f_k(x)$，以及先验概率 $p_1, p_2, ..., p_k$。 对于一个新样本 x，我们想要判断它属于哪个总体。根据贝叶斯定理，我们可以计算后验概率： $$P(G_i|x) = frac{p_i f_i(x)}{sum_{j=1}^{k} p_j f_j(x)}, i = 1,2,...,k$$ 其中： $P(G_i|x)$ 表示给定样本 x 的情况下，样本属于总体 $G_i$ 的概率。 $f_i(x)$ 表示样本 x 在总体 $G_i$ 中出现的概率密度。 $p_i$ 表示总体 $G_i$ 的先验概率。 贝叶斯判别规则指出，为了最小化误判概率，我们应该将样本 x 判给后验概率最大的那个总体。

留一法交叉验证: 将已知类别样本逐个剔除，利用剩余样本构建判别函数，对被剔除样本进行判别。 错误率计算: 记录所有被错判的样本，分别计算每个类别和整体的错判率。 效果衡量: 根据错判率的大小评估判别分析的效果，错判率越低，判别效果越好。

判别分析是一种统计分析方法，用于根据一组特征值识别不同类型的数据。它涉及使用判别函数来确定数据点属于哪一类。MATLAB提供了对判别分析的全面实现，使其能够轻松应用于各种分类任务。