- 允许 >=2 类- 只需要基础 MATLAB（不需要工具箱） - 假设数据是完整的（没有缺失值） - 已通过统计软件验证 警告： - 如果无法计算合并协方差，矩阵值将为 ("Inf") （没有错误） - 需要 Matlab >=7.6 (OOP synatx)

使用matlab实现KDDA的算法源码，很方便使用，想要学习的可以研究一下，非常不错的学习资料

用于铜浮选工况识别的，多类训练集的线性判别分析源代码（matlab）

将高维的模式样本投影到最佳鉴别矢量空间，以达到抽取分类信息和压缩特征空间维数的效果，投影后保证模式样本在新的子空间有最大的类间距离和最小的类内距离，即模式在该空间中有最佳的可分离性，与PCA区别：LDA考虑分类标签，属于有监督分类。 (Linear discriminant analysis (LDA) is a generalization of Fisher s linear discriminant, a method used in statistics, pattern recognition and machine learning to find a linear combination of features that characterizes or separates two or more classes of objects or events. The resulting combination may be used as a linear classifier, or, more commonly, for dimensionality reduction before later classification.)

线性判别分析的matlab代码，代码有注释

判别分析例子 数据disc.sav:企图用一套打分体系来描绘企业的状况。该体系对每个企业的一些指标（变量）进行评分。 这些指标包括：企业规模(is)、服务(se)、雇员工资比例(sa)、利润增长(prr)、市场份额(ms)、市场份额增长(msr)、流动资金比例(cp)、资金周转速度(cs)等等。 另外，有一些企业已经被某杂志划分为上升企业、稳定企业和下降企业。 我们希望根据这些企业的上述变量的打分和它们已知的类别（三个类别之一：group-1代表上升，group-2代表稳定，group-3代表下降）找出一个分类标准，以对没有被该刊物分类的企业进行分类。 该数据有90个企业（90个观测值），其中30个属于上升型，30个属于稳定型，30个属于下降型。这个数据就是一个“训练样本”。

判别分析数据可用于进行教育技术学专业学生进行教育信息处理课程的实验。

一、Fisher判别的基本思想

概率线性判别分析 论文引文 免责声明 通过经验贝叶斯估计参数。 该代码最初是为的人工智能（XAI）项目，因此它会将对于简单分类问题不必要的参数保留在内存中。 谢谢！ 特别感谢和推动和实现了相同的区别和pip安装！ MNIST手写数字数据使用演示 。 如果您将此软件包安装在虚拟环境中，请首先激活该虚拟环境。 导入plda和其他方便的软件包。 加载数据。 预处理数据和拟合模型。 如何对数据点进行分类：过度拟合分类器。 如何对数据点进行分类：更适合的分类器。 提取LDA功能。 如何对数据点进行分类：“相同或不同类别”的区分。 提取预处理信息。 提取模型参数。 依存关系 如果您一般不代码或研究，请查看以下下载和安装说明： 和 。 要将此存储库作为依赖项添加到您自己的conda环境yml文件中，请在依赖项末尾添加以下内容（例如，此存储库的文件）。 - python>=

针对表面肌电信号(SEMG)的非平稳性及小波包变换系数维数过高的问题,提出一种小波包主元分析和线性判别分析相结合的表面肌电信号动作特征识别新方法。以表面肌电信号用于智能轮椅为例,对采集到的两路SEMG信号进行小波包主元分析,提取SEMG信号的运动特征矩阵,并将运动特征矩阵输入到线性判别分类器进行分类,实现了前臂动作识别。试验表明:该方法能够将小波包系数矩阵由16维降到4维,并且对前臂的四种动作模式(握拳、展拳、手腕内翻和手腕外翻)的平均正确识别率达98%,与传统的小波包变换相比有较高的识别率。