مدل کلاسیفیکیشن LDA

LDA یک روش خطی است که هدف آن پیدا کردن یک فضای جدید (یا ترکیب خطی ویژگی‌ها) است که بهترین تمایز بین کلاس‌های مختلف موجود در داده‌ها را ایجاد کند. برخلاف الگوریتم‌هایی مانند PCA (تحلیل مولفه‌های اصلی) که به دنبال کاهش ابعاد داده‌ها هستند، LDA هدفش بیشینه کردن تفاوت بین کلاس‌ها و همزمان کاهش تغییرات درون کلاس‌ها است. به‌طور ساده‌تر، LDA به‌دنبال یافتن ترکیب‌هایی از ویژگی‌هاست که بتواند تمایز بیشتری بین گروه‌های مختلف داده ایجاد کند.

در این الگوریتم، فرض می‌شود که داده‌ها از توزیع‌های نرمال برای هر کلاس پیروی می‌کنند و هر کلاس دارای یک ماتریس کوواریانس مشابه است. LDA به‌صورت معمول برای مسائل دسته‌بندی که شامل دو یا چند دسته هستند استفاده می‌شود.