前几天主要更新了一下机器学习的相关理论，主要介绍了感知机，SVM以及线性判别分析。现在用代码来实现一下其中的模型，一方面对存粹理论的理解，另一方面也提升一下代码的能力。本文就先从线性判别分析开始讲起，不熟悉的可以先移步至线性判别分析（Linear Discriminant Analysis, LDA） - ZhiboZhao - 博客园 (cnblogs.com)对基础知识做一个大概的了解。在代码分析过程中，本文重点从应用入手，只讲API中最常用的参数，能够完成任务即可。
本文代码参考链接：https://github.com/han1057578619/MachineLearning_Zhouzhihua_ProblemSets

一、数据准备

数据集部分我采用周志华《机器学习》书中的 watermelon数据集，数据集前5行如下：

1.1 读取数据：

import pandas as pd
data_path = './watermelon3_0_ch.csv'
data = pd.read_csv(data_path).values	# 读取数据并转为np.array类型

这里主要运用 pd.read_csv() 进行 .csv 文件的读取，该模块主要用到的参数如下：

pd.read_csv(file_path, sep, header)

其中：file_path 是目标文件的路径；sep 是目标文件中的分隔符，默认 .csv 文件以 ‘,’ 分隔；header 是整数类型的，它的数值决定了读取 .csv 文件时从第几行开始。举个例子：

# header = 0, 默认第0行为表头，从表头往下开始读取
head_0 = pd.read_csv(data_path, header = 0)
# header = 1, 默认第1行为表头，从表头往下开始读取
head_0 = pd.read_csv(data_path, header = 1)

header_0的结果为：

header_1的结果为：

1.2 对数据进行 "one-hot" 编码

我们以二维线性判别分析为例，只根据 "密度" 和 "含糖量" 来确定是否是好瓜

X = data[:, 7:9].astype(float)	# 提取密度和含糖量的数据作为输入特征
y = data[:, 9]	# 提取最后一列作为判别类型

y[y == '是'] = 1	# 需要进行one-hot编码，将瓜分类
y[y == '否'] = 0
y = y.astype(int)

'''
以好瓜/坏瓜 来对样本进行分类
'''
pos = y == 1, neg = y == 0 	# 分别找到正负样本的位置
X0 = X[neg]， X1 = X[pos]   # 以提取正负样本的输入特征

二、线性判别分析

2.1 根据对应模型进行求解

从上一讲中我们得到，线性分类判别模型的最优解为：

其中，

这里面注意一点，为了更符合人的理解习惯，我们在公式 (3) 中，定义的 \(S_w\) 是单个向量相乘之后求和；但是矩阵形式则更方便被计算机描述，设 $ X_{0} = {x_{1},x_{2},...,x_{m} }^{T}, X_{1} = {x_{1},x_{2},...,x_{n} }^{T}$，由于 \(x_{i} \in R^{p \times 1}\)，因此\(X_{0}, X_{1} \in R^{m \times p}\)，改写成矩阵形式：

于是，对应代码为：

u0 = X0.mean(0, keepdims=True)  # (1, p)
u1 = X1.mean(0, keepdims=True)

sw = np.dot((X0 - u0).T, X0 - u0) + np.dot((X1 - u1).T, X1 - u1)
w = np.dot(np.linalg.inv(sw), (u0 - u1).T).reshape(1, -1)  # (1, p)

说明：

mean() 函数在指定维度上求均值，由于 \(X_{0} \in R^{m \times p}\)，所有指定维度为0之后相当于对所有 \(m\) 个样本进行求平均，得到 \(u_{0} \in R^{1\times p}\)

2.2 模型可视化

这一部分代码主要是绘图的一些格式，本文就不多做解释了。

fig, ax = plt.subplots()
ax.spines['right'].set_color('none')
ax.spines['top'].set_color('none')
ax.spines['left'].set_position(('data', 0))
ax.spines['bottom'].set_position(('data', 0))

plt.scatter(X1[:, 0], X1[:, 1], c='k', marker='o', label='good')
plt.scatter(X0[:, 0], X0[:, 1], c='r', marker='x', label='bad')

plt.xlabel('密度', labelpad=1)
plt.ylabel('含糖量')
plt.legend(loc='upper right')

x_tmp = np.linspace(-0.05, 0.15)
y_tmp = x_tmp * w[0, 1] / w[0, 0]
plt.plot(x_tmp, y_tmp, '#808080', linewidth=1)

wu = w / np.linalg.norm(w)

# 正负样板店
X0_project = np.dot(X0, np.dot(wu.T, wu))
plt.scatter(X0_project[:, 0], X0_project[:, 1], c='r', s=15)
for i in range(X0.shape[0]):
plt.plot([X0[i, 0], X0_project[i, 0]], [X0[i, 1], X0_project[i, 1]], '--r', linewidth=1)

X1_project = np.dot(X1, np.dot(wu.T, wu))
plt.scatter(X1_project[:, 0], X1_project[:, 1], c='k', s=15)
for i in range(X1.shape[0]):
plt.plot([X1[i, 0], X1_project[i, 0]], [X1[i, 1], X1_project[i, 1]], '--k', linewidth=1)

# 中心点的投影
u0_project = np.dot(u0, np.dot(wu.T, wu))
plt.scatter(u0_project[:, 0], u0_project[:, 1], c='#FF4500', s=60)
u1_project = np.dot(u1, np.dot(wu.T, wu))
plt.scatter(u1_project[:, 0], u1_project[:, 1], c='#696969', s=60)

ax.annotate(r'u0 投影点',
xy=(u0_project[:, 0], u0_project[:, 1]),
xytext=(u0_project[:, 0] - 0.2, u0_project[:, 1] - 0.1),
size=13,
va="center", ha="left",
arrowprops=dict(arrowstyle="->",
color="k",
)
)

ax.annotate(r'u1 投影点',
xy=(u1_project[:, 0], u1_project[:, 1]),
xytext=(u1_project[:, 0] - 0.1, u1_project[:, 1] + 0.1),
size=13,
va="center", ha="left",
arrowprops=dict(arrowstyle="->",
color="k",
)
)
plt.axis("equal")  # 两坐标轴的单位刻度长度保存一致
plt.show()

self.w = w
self.u0 = u0
self.u1 = u1
return self

最终得到的分类结果图如下：