基于核函数的Fisher分类判别，用于比同种类的分类。

数据分布的不平衡性和数据特征的非线性增加了分类的困难，特别是难以识别不平衡数据中的少数类，从而影响整体的分类效果。针对该问题，结合KFDA（kernel Fisher discriminant analysis）能有效提取样本非线性特征的特性和集成学习中Boosting算法的思想，提出了KFDA-Boosting算法。为了验证该算法对不平衡数据分类的有效性和优越性，以G-mean值、少数类的查准率与查全率作为分类效果的评价指标，选取了UCI中10个数据集测试KFDA-Boosting算法性能，并与支持向量机等六种分类算法进行对比实验。结果表明，对于不平衡数据分类，尤其是对不平衡度较大或呈非线性特征的数据，相比于其他分类算法，KFDA-Boosting算法能有效地识别少数类，并且在整体上具有显著的分类效果和较好的稳定性。

采用了，核函数Fisher鉴别准则，分类。

Feature scaling for kernel Fisher discriminant analysis using leave-one-out cross validation. FS-KFDA is a package for implementing feature scaling for kernel fisher discriminant analysis.-Feature scaling for kernel Fisher discrim inant analysis using leave-one-out cross vali dation. FS-KFDA is a package for implementing f eature scaling for kernel fisher discriminant analysis.

模式误别课程中核Fisher鉴别分析方法（KFDA）的matlab程序

已经调试的KPCA+KFDA程序 ，模式识别