Линейный дискриминантный анализ (LDA) - на пути к науке о данных

•LDA помогает линейно объединить объекты данных для лучшего разделения меток. •Метод основан на проекции в пространство с меньшим измерением. •Вычислите средние векторы для каждого класса. •Вычислите матрицы рассеяния внутри и между классов. •Вычислите собственные векторы и значения для отношения матриц. •Отсортируйте собственные векторы и выберите m лучших для формирования матрицы преобразования W. •Используйте W для проецирования данных в новое подпространство. •Реализован класс LDAfs для выполнения LDA с использованием numpy. •Метод fittransform() подгоняет модель к данным и проецирует матрицу признаков на m осей LDA. •Пример использования LDA для выявления причин сбоев на производственной линии. •Нормализация данных и выбор одной линейной дискриминантной оси. •Визуализация проекции LDA и анализ коэффициентов LDA. •Результаты показывают, что станции 4, 2 и 7 наиболее влияют на выход деталей из строя. •LDA снижает сложность наборов данных и выявляет ключевые особенности. •Метод эффективен для выявления причин сбоев в производственных системах. •Важно сбалансировать и нормализовать данные для достижения оптимальных результатов.

читать материал полностью

Этот пост подготовила нейросеть: сделала выжимку статьи и, возможно, даже перевела ее с английского. А бот опубликовал пост в Сетке.