Linear Discriminant Analysis (LDA)

Linear Discriminant Analysis (LDA) [23] is more suited for finding projections that best discriminate different classes. It does this by seeking the optimal projection vectors which maximize the ratio of the between-class scatter and the Fig. 3.2. The first six basis vectors of Fisherfaces. within-class scatter (i.e. maximizing class separation in the projected space).
The optimal basis vectors of LDA can be denoted as
where SB and SW indicate between-class scatter matrix and within-class scatter
matrix respectively.

Kết quả (Việt) 1:

Tuyến tính biệt thức phân tích (cấp LDA Cải) [23] là thích hợp hơn cho việc tìm kiếm dự đoán tốt nhất đối xử phân biệt các lớp khác nhau. Nó thực hiện điều này bằng cách tìm kiếm các vectơ chiếu tối ưu tối đa hóa tỷ lệ giữa lớp scatter và 3.2 hình. Các vectơ sáu cơ sở đầu tiên của Fisherfaces. trong lớp scatter (tức là tối đa hóa lớp chia ly trong không gian dự kiến).Các vectơ tối ưu cơ sở của cấp LDA Cải có thể được biểu hiện như nơi SB và SW chỉ ra giữa lớp học ma trận phân tán và phân tán trong lớp họcma trận tương ứng.

Kết quả (Việt) 2:

Phân tích biệt thức tuyến tính (LDA) [23] là phù hợp hơn cho việc tìm kiếm các dự nhất phân biệt các lớp học khác nhau. Nó làm điều này bằng cách tìm kiếm các vectơ chiếu tối ưu mà tối đa hóa tỷ lệ của các phân tán giữa các lớp và các hình. 3.2. Sáu vectơ cơ sở đầu tiên của Fisherfaces. trong lớp tán xạ (tức là tối đa hóa lớp tách trong không gian dự kiến).
Các vectơ cơ sở tối ưu của LDA có thể được ký hiệu là
nơi SB và SW chỉ ra giữa lớp ma trận tán xạ và tán xạ bên trong lớp
ma trận tương ứng.