在scikit-learn中获取LDA投影矩阵的正确方法咨询

嘿，我能看出你在从LDA模型里提取正确的投影矩阵时遇到了麻烦，咱们一步步来搞定它！

先搞清楚：scikit-learn里LDA的投影矩阵到底存在哪儿？ #

在scikit-learn的LinearDiscriminantAnalysis中，scalings_属性就是你要找的投影矩阵！它的每一列对应一个线性判别向量，用来把原始特征空间映射到LDA的低维子空间里。

你的代码问题出在哪儿？ #

你之前尝试从covariance_（类内协方差矩阵）提取特征向量，这是不对的——LDA的投影矩阵不是类内协方差矩阵的特征向量，而是通过最大化「类间散度/类内散度」的比值计算出来的，直接对covariance_做特征分解完全不是一回事。

另外，你用了fit_transform()，其实只需要fit()就足够训练模型并获取投影矩阵了（fit_transform()会直接返回投影后的数据集，不是必须的步骤）。

修正后的代码示例 #

from sklearn.discriminant_analysis import LinearDiscriminantAnalysis as LDA

def get_projection(features, label):
    # 初始化LDA模型，可根据需要指定n_components（降维后的维度）
    transformer = LDA(n_components=None)  # 默认会取min(n_classes-1, n_features)
    # 仅训练模型，不需要返回投影后的数据
    transformer.fit(features, label)
    # scalings_就是我们要的投影矩阵
    projection_matrix = transformer.scalings_
    return projection_matrix

怎么用这个投影矩阵？ #

拿到矩阵后，你有两种方式把数据投影到LDA空间：

1. 直接用模型的transform()方法（最省心）：

   projected_data = transformer.transform(features)
   

2. 手动做矩阵乘法（确认维度匹配：原始特征是(n_samples, n_features)，投影矩阵是(n_features, n_components)）：

   projected_data = features @ projection_matrix
   

额外提示 #

如果你需要固定降维后的维度，比如降到2维，初始化时设置LDA(n_components=2)就行，这样scalings_会自动返回对应维度的投影矩阵。

内容的提问来源于stack exchange，提问作者rj dj