內容目錄：
一、LDA/fisher判別分析
二、LDA判別分析與PCA對比

一、fisher判別分析

1.首先在模式識別課程上學習的是fisher判別，LDA概念是看川大同學寫的500問接觸的，兩者是一樣的東西。
2推薦：深度學習500問 github連結形式是問答形式，初學者概念補充。挺有意思的，飯後閱讀物！
3fisher分類標準：類間的距離越大且類內的距離越小。
4fisher目的：尋找到一條直線，當把所有資料點投影到直線上之後，儘可能的分開不同類別的訓練資料。如下圖所示，右邊的圖的直線投影后無法將其分開，而左邊的直線投影后可以很好的將兩類分開，分介面定義為，兩類在投影后的各自均值點求平均點O，並過此點做投影直線的中垂線。

6推導過程：
根據分類原則，類內距離儘可能小，類間距離儘可能大，所以定義了代價函式=類間方差矩陣除以類內方差矩陣。即目標要最大化代價函式。

基本概念數學表示式：

舉例：一維兩類

w的確定（最佳法線向量，投影直線）
4-30推導到4-32時：是把Sb公式4-19帶入了，且（m1-m2）'w（矩陣維度：1dd1=11）為常量就省去了，因為W是作為方向參考，乘上一個常數因子不影響方向。

二、fisher判別分析與PCA比較：

1共同點：兩者都是降維處理。
2降維維度：pca可以達到任意維度，可以只取矩陣分解後特徵值最大的一個特徵向量，也可以取其他；fisher投影降維只能降到K-1維（類別數-1，兩類之間判斷是或不是？？？這個點怎麼理解？？？），也比常用資料的屬性特徵的維數少很多。
3fisher可做分類器：