lda線性判別股票市場

㈠ 線性判別lda是有監督還是無監督

是同一個東西。
第一個是用於自然語言分析的隱主題模型。LDA是一種文檔主題生成模型，在1996年由Belhumeur引入模式識別和人工智慧領域。
第二個線性判別式分析（Linear Discriminant Analysis），簡稱為LDA。也稱為Fisher線性判別（Fisher Linear Discriminant，也稱為一個三層貝葉斯概率模型，包含詞、主題和文檔三層結構。文檔到主題服從Dirichlet分布，FLD），是模式識別的經典演算法。
基本思想是將高維的模式樣本投影到最佳鑒別矢量空間，以達到抽取分類信息和壓縮特徵空間維數的效果，投影後保證模式樣本在新的子空間有最大的類間距離和最小的類內距離，即模式在該空間中有最佳的可分離性，主題到詞服從多項式分布

㈡ 怎麼對線性判別分析LDA作圖plot

uservo user=(uservo)voinfo;
String username=user.getUsername();
String password=user.getPassword();
System.out.println(quot;your username is quot;+username);
System.out.println(quot;your password is quot;+password);
List list = new ArrayList();

㈢ 線性判別分析lda是有監督學習演算法嗎

用eviews計算，看各參數的T檢驗及F檢驗是否通過，如果F檢驗通過，但是有兩個以上T檢驗不通過，就有很大的可能是多重共線性了。還有就是看模型中所用的變數之間會不會明顯相關，就像，貨幣供應量和工資之類的。可以嘗試直接聯立兩個變數的方差，看變數間的R平方是不是很接近1，越接近1，說明多重共線性越明顯。希望對你有用

㈣ matlab怎麼對線性判別分析lda作圖plot

主 help classify; 在裡面輸入就可以看到這個函數的作用了。 次 貝葉斯判別：對象（總體）在抽樣前已有一定的認識，常用先驗分布來描述這種認識，然後給予抽取的樣本再對先驗認識作修正，得到後驗分布，而各種統計推斷均基於後驗分布進行

㈤ 線性判別分析lda如何判斷新的樣本屬於哪一類

把4維的x向量X=(x1,x2,x3,x4),拓展成14維的向量(x1,x2,x3,x4,x1*x1,x1*x2,x1*x3,x1*x4,x2*x2,x2*x3,x2*x4,x3*x3,x3*x4,x4*x4),可以把原問題化簡為老師提示的問題,從而進行求解. 樓主學過模式識別（Pattern Recognition）里的LDA（Linear Discriminant Analysis）演算法嗎?中文叫線性判別分析.LDA演算法基本就是求解這么個問題： minimize t subject to Ax=-1 (數值) LDA演算法是模式識別里的經典演算法,它有很成熟的解析解,你隨便網上搜搜,就能得到很詳細的解答. 樓主本身的這個問題,算是QDA演算法（Quadratic Discriminant Analysis）,中文叫二次項判別分析.因為QDA帶了二次項,因此比LDA本身要復雜一些. 但是QDA問題可以簡化成LDA演算法,具體方法就是把4維向量X=(x1,x2,x3,x4),擴展成如下的14維向量Y=(x1,x2,x3,x4,x1*x1,x1*x2,x1*x3,x1*x4,x2*x2,x2*x3,x2*x4,x3*x3,x3*x4,x4*x4). 這樣XT*A*X+bT*X+c,就可以化為dT*Y+c的形式了（這個14維向量d和A,b的關系很容易算）,然後套用下現成的LDA演算法求出d,然後反推出A和b,基本就搞定了.

㈥ 線性判別lda 訓練復雜度是多少

在模式識別中經常用到的一個叫做Flasher線性判別的方法。Fisher判別的基本思路就是投影，針對P維空間中的某點x=(x1，x2，x3，…，xp)尋找一個能使它降為一維數值的線性函數y(x)：
y(x)= ∑Cjxj
然後應用這個線性函數把P維空間中的已知類別總體以及求知類別歸屬的樣本都變換為一維數據，再根據其間的親疏程度把未知歸屬的樣本點判定其歸屬。這個線性函數應該能夠在把P維空間中的所有點轉化為一維數值之後，既能最大限度地縮小同類中各個樣本點之間的差異，又能最大限度地擴大不同類別中各個樣本點之間的差異，這樣才可能獲得較高的判別效率。在這里借用了一元方差分析的思想，即依據組間均方差與組內均方差之比最大的原則來進行判別。

㈦ 那位大仙有線性判別分析LDA的matlab程序不是FDA的，很多地方把這兩個方法混淆了，郵箱[email protected]有賞哦

matlab自帶工具箱裡面有。MATLAB\R2010b\toolbox\stats\stats\classify()