我正在尝试运行Fisher的LDA（1, 2）来减少矩阵的特征数量。

基本上，如果我没有理解错的话，给定若干类别分类的n个样本，Fisher的LDA试图找到一个轴，使得投影到该轴上可以最大化J(w)的值，即总样本方差与各类别内部方差之和的比率。

我认为这可以用来找出每个类别最有用的特征。

我有一个包含m个特征和n个样本的矩阵X（m行，n列）。

我有一个样本分类y，即一个包含n个标签的数组，每个标签对应一个样本。

基于y，我希望将特征数量减少到例如3个最具代表性的特征。

使用scikit-learn，我尝试了以下方法（参考此文档）：

>>> import numpy as np>>> from sklearn.lda import LDA>>> X = np.array([[-1, -1], [-2, -1], [-3, -2], [1, 1], [2, 1], [3, 2]])>>> y = np.array([1, 1, 1, 2, 2, 2])>>> clf = LDA(n_components=3)>>> clf.fit_transform(X, y)array([[ 4.],   [ 4.],   [ 8.],   [-4.],   [-4.],   [-8.]])

此时我有点困惑，如何获得最具代表性的特征？

回答：

你要找的特征在你拟合分类器后位于clf.coef_中。

请注意，这里n_components=3没有意义，因为X.shape[1] == 2，即你的特征空间只有两个维度。

你不需要调用fit_transform来获得coef_，调用clf.fit(X, y)就足够了。