接上一篇：这次与LDA进行对比，看下效果如何。
1用sklearn产生的随机10个类别数据
初始特征为30个，由于下面条件限制，只能设置小于9的数，因此选择了8
n_components <= min(n_features, n_classes - 1)
然后再经t-SNE显示，效果令人失望至极！！！搞不懂为啥子
X origin shape, (1000, 30)
after LDA,X shape, (1000, 8)
所以我不知道LDA到底在干啥子，啥几把玩意，简直是垃圾。
同样将PCA后的维度设置为8，发现也是垃圾，卧槽。与上图基本一样，哪里出错了？？？
可将原始数据直接t-SNE看看结果，发现与上图类似，卧槽，这就有鬼了。猜测是原始数据有问题。
这个数据生成的函数有毛病，暂时忽略这个数据。
2依旧用MNIST数据【数据来源sklearn】
但这个有警告产生，意思是行列式和为近乎0，接近于奇异矩阵，这样的矩阵可能求逆的结果不靠谱
Warning (from warnings module):
File "D:\python\lib\site-packages\sklearn\discriminant_analysis.py", line 388
warnings.warn("Variables are collinear.")
UserWarning: Variables are collinear.
关键code
lda = LinearDiscriminantAnalysis(n_components=9)#n_components <= min(n_features, n_classes - 1)
因为上面条件的限制，可能造成结果的不可靠，在PCA中，若为9，结果如下
尽管看起来LDA还是不错，但这需要知道数据的标签，如果不知道标签的话，是没法LDA的
将PCA后为15，20的效果的确可能赶不上LDA
如果数据分类无误的话，也就是说没有那么多脏数据的话是可以进行LDA的。
但如果未知标签，还是老老实实PCA吧。
3抖音1视频数据，inceptionV3特征 ，这个似乎不能进行LDA吧，上面条件限制的话，如果只是盲目得分为0,1视频，估计LDA只能为1维度，这个且看如下
因为只有1维了，所以无需t-SNE了，直接散点画出即可，已知上面的是1，下面的是0.但这样LDA后有什么用呢？？
没用。
如果仅仅是为了展示分类效果，再差劲的结果都能如此好。如果是查看分类数据的距离，或者说他们之间有多大差别，还是PCA吧。
LDA有点自欺欺人。拜拜
另外有相关问题可以加入QQ群讨论，不设微信群
QQ群：868373192
语音图像视频深度-学习群
来源：CSDN
作者：SpeechImageKing
链接：https://blog.csdn.net/SPESEG/article/details/103926707