В чем основное отличие между линейным дискриминантным анализом и анализом проксимальных компонент

«Основной компонентный анализ (PCA), который является ядром метода Eigenfaces, находит линейную комбинацию функций, которая максимизирует общую дисперсию данных. очевидно, является мощным способом представления данных, он не рассматривает какие-либо классы, и поэтому при отбрасывании компонентов может быть потеряна большая дискриминационная информация ». (Open CV)В чем основное отличие между линейным дискриминантным анализом и анализом проксимальных компонент

Что означает «КЛАССЫ» здесь ????

Линейный дискриминантный анализ максимизирует отношение между классами к разбросу внутри классов, а не максимизирует общий разброс. Идея проста: одни и те же классы должны тесно объединяться, а разные классы как можно дальше друг от друга в нижнем-мерном представлении.

здесь также, что средний по КЛАССАМ ????

Может кто-нибудь, пожалуйста, объясните это изображение вида обработки Thanx

источник

2013-10-25 user2921008

Классы в этих контекстах средств групп или классификаций. «лица» или «буквы», вещи, которые имеют набор геометрических свойств, которые могут быть идентифицированы с некоторой степенью общности. PCA пыталась классифицировать объекты в имидже, а LDS пытается классифицировать вещи с некоторым соображением относительно того, насколько они близки друг к другу.

Примером может быть фотография с мячом «Уилсон». Сам по себе он не очень похож на лицо, и PCA придаст ему низкую вероятность быть лицом, но подход LDS, если картинка включит Тома Хэнкса рядом с ним, классифицирует Тома Хэнкса как лицо и вызывает Уилсон, скорее всего, тоже будет лицом. Как вы можете видеть из этого надуманного примера в зависимости от того, чего вы пытаетесь достичь (и насколько хороши ваши данные), каждый подход имеет свои преимущества и недостатки.

источник

2013-10-25 18:47:47

im собирается соответствовать эскизному лицу (рисунок фото) на цветной фотографии. поэтому для исследования я хочу выяснить, каковы проблемы, связанные с рисованием эскиза, в цвет лица. на данный момент я узнал, что 1. Разница в пикселях изображения 2. Разница в текстуре 3. Разница в расстоянии 4. и цвет (не очень большой эффект) Я хочу знать, что с технической точки зрения, какие другие проблемы и я собираюсь использовать Fisher лицом методом линейного дискриминантного анализа, и не могли бы вы рассказать мне, поможет ли этот метод для этого. thanx – user2921008

Вы работаете над гораздо более сложной проблемой, чем я могу помочь, но этот комментарий может почти стоять как собственный вопрос, и здесь есть умные люди, которые, я уверен, могли бы помочь. Если возможно, включите тестовое изображение. Удачи! –

Ничего, я вижу, что вы уже пробовали это. Один секунда, я добавлю щедрость, чтобы увидеть, есть ли у вас больше удачи (и добавьте некоторые примеры изображений, будет рассмотрен действительный комментарий, сделанный по вашему первому вопросу) –

Чтобы сделать его простым, PCA пытается представить данные в минимальном размере. LDA также пытается сделать то же самое, но также убедиться, что разные классы могут быть дифференцированы (классификация). PCA не помогает в классификации. Это помогает только в уменьшении деменции. SO LDA = классификация PCA +

источник

2014-07-18 12:03:49 user3852441

В чем основное отличие между линейным дискриминантным анализом и анализом проксимальных компонент

ответ

Смежные вопросы