Debe comprender PCA vs. LDA para comprender la diferencia entre caras propias y caras de Fisher. Básicamente, las caras propias son PCA aplicadas a los datos de caras y las caras de Fisher son LDA aplicadas a los datos de caras. La búsqueda de “LDA vs PCA” traerá muchas páginas bonitas y conferencias.
Ambos métodos transforman el espacio de características a una nueva base. PCA elige el primer vector base en la dirección de la mayor variación en los datos. Luego viene la segunda dirección (ortogonal) con la segunda mayor variación, y así sucesivamente. Los vectores base finales son los que menos contribuyen al valor general de sus datos (detalles finos). Entonces, si arroja la última dimensión, pierde menos, etc. PCA considera sus datos como un todo e intenta representarlos con la máxima fidelidad. Las primeras caras propias, entonces, son las características más importantes para TODAS las caras en general.
LDA, por otro lado, elige los vectores base (direcciones) en función de qué tan bien están separadas las dos clases en esas direcciones. Por lo tanto, LDA favorece las bases que diferencian bien las clases.
- ¿Cuál es la diferencia entre un proceso y un hilo?
- ¿El aprendizaje por refuerzo se usa popularmente en la optimización de ejecución comercial?
- ¿Qué lenguaje es mejor para un algoritmo de futuros HFT, C ++ o python?
- ¿Cuáles son las formas de paralelizar los códigos Python y NumPy?
- ¿Qué temas debo aprender en estadística para el aprendizaje automático?
