在SAS学习过程中记下的笔记，一些初级的过程，比较适合SAS初学， 能做的分析有描述性统计+线性回归+logistic回归+生存分析+判别分析+聚类分析+主成分+典型相关分析等等。

本博客运行环境为Jupyter Notebook、Python3。使用的数据集是鸢尾花数据集。 目录线性判别分析代码实现缺少一组数据的问题已解决！代码已更新！ 线性判别分析 线性判别分析(Linear Discriminant Analysis,简称LDA)是一种经典的线性学习方法，在二分类问题.上因为最早由[Fisher, 1936]提出,亦称“Fisher判别分析”。 LDA的基本思想:给定训练样例集,设法将样例投影到一条直线上,使得同类样例的投影点尽可能接近、异类样例的投影点尽可能远离;在对新样本进行分类时,将其投影到同样的这条直线上，再根据投影点的位置来确定新样本的类别。 下图是LD

本代码提供了基于python sklearn库的LDA线性判别分析算法： 1.利用伪随机数生成测试数据，无需添加新样本 2.较详细地介绍了库函数各参数的含义

基于聚类分析和判别分析方法的股票投资价值研究，吴冲，王栋 ，随着市场投资理念逐步转向价值投资,上市公司基本面的变化将更受关注.中小企业作为新兴的资本市场板块,具有重要的研究意义.现利用38

现行介绍判别分析方法中，常常见到的有距离判别法，费歇尔判别法，贝叶斯判别法。 这三种方法各有各的产生背景，有不同的使用条件，它们有一个共同的特点就是计算量巨大， 以至于靠手算无法进行。为此现在主流统计软件都把判别分析作为一个专用模块来开发，但 由于软件产生的只是结果，对于判别分析的整个推理过程涉及很少，不利于初次接触判别分 析的人士学习，所以本文准备从具体的计算过程入手，详细解读 SPSS产生的过程，使得学 习者能够做到知其然而知其所以然

线性判别分析（LDA）是模式识别领域的一个经典方法，但是LDA难以克服小样本问题。针对LDA的小样本问题，提出一种双曲余弦矩阵鉴别分析方法（HCDA）。该方法首先给出了双曲余弦矩阵函数的定义及其特征系统，再利用双曲余弦矩阵函数特征系统的特点，将其引入Fisher准则中进行特征提取。HCDA有两方面的优势：a）避免了小样本问题，可以提取更多的鉴别信息；b）HCDA方法隐含了一个非线性映射。该映射具有扩大样本间距离的作用，并且对不同类别样本间距离的扩大尺度要大于同类别样本间距离的扩大尺度，从而更有利于模式分类。在手写数字库、手写字母图像库和Georgia Tech人脸图像库上的实验结果表明，相对于具有代表性的解决LDA小样本问题的方法，HCDA具有更好的识别性能。

针对光照、表情变化给人脸识别造成的影响以及大型人脸图像库的训练样本中只有部分标记的问题，结合多通道Log-Gabor小波和半监督流形学习算法，提出一种新的人脸图像检索方法。该方法首先使用Log-Gabor小波对人脸图像进行滤波获得特征矩阵，进一步利用提出的二维半监督流形学习算法进行维数约简，得到低维判别特征。由于该方法直接作用于Log-Gabor特征矩阵，克服了小样本带来的奇异问题；另外，通过充分利用标记和未标记信息，还保留了数据的局部流形结构，增强了特征匹配的相似性。在CMU PIE和AR人脸数据库上的实验结果表明，该方法有效且优于其他方法。

机器学习第一次作业-xd

采用Fisher鉴别分析对mnist数据集当中的手写数字0,1进行识别

matlab开发-偏最小二乘法和判别分析法。使用PLS进行判别分析的教程和工具。