(sklearn)线性判别分析LinearDiscriminantAnalysis

class sklearn.discriminant_analysis.LinearDiscriminantAnalysis(solver=’svd’, shrinkage=None, priors=None, n_components=None, store_covariance=False, tol=0.0001)

参数：

solver：一个字符串，指定了求解最优化问题的算法，可以为如下的值。

• 'svd'：奇异值分解。对于有大规模特征的数据，推荐用这种算法。
• 'lsqr'：最小平方差，可以结合skrinkage参数。
• 'eigen' ：特征分解算法，可以结合shrinkage参数。

skrinkage：字符串‘auto’或者浮点数活者None。该参数通常在训练样本数量小于特征数量的场合下使用。该参数只有在solver=lsqr或者eigen下才有意义

• '字符串‘auto’：根据Ledoit-Wolf引理来自动决定shrinkage参数的大小。
• 'None：不使用shrinkage参数。
• 浮点数（位于0~1之间）：指定shrinkage参数。

priors：一个数组，数组中的元素依次指定了每个类别的先验概率。如果为None，则认为每个类的先验概率都是等可能的。

n_components：一个整数。指定了数组降维后的维度（该值必须小于n_classes-1）。

store_covariance：一个布尔值。如果为True，则需要额外计算每个类别的协方差矩阵。

warm_start：一个布尔值。如果为True，那么使用前一次训练结果继续训练，否则从头开始训练。

tol：一个浮点数。它指定了用于SVD算法中评判迭代收敛的阈值。

返回值

coef_：权重向量。

intercept：b值。

covariance_：一个数组，依次给出了每个类别烦人协方差矩阵。

means_：一个数组，依次给出了每个类别的均值向量。

xbar_：给出了整体样本的均值向量。

n_iter_：实际迭代次数。

方法

fix(X,y)： 训练模型。

predict(X)：用模型进行预测，返回预测值。

score(X,y[,sample_weight])：返回（X，y）上的预测准确率（accuracy）。

predict_log_proba（X）：返回一个数组，数组的元素一次是 X 预测为各个类别的概率的对数值。 
predict_proba（X）： 返回一个数组，数组元素一次是 X 预测为各个类别的概率的概率值。

官方说明：http://scikit-learn.org/stable/modules/generated/sklearn.discriminant_analysis.LinearDiscriminantAnalysis.html#sklearn.discriminant_analysis.LinearDiscriminantAnalysis