fisher判別演算法

A. fisher判別怎樣檢驗判別函數的有效性

找到系數，分別與對應自變數相乘得到判別式y，若 y大於y0。fisher判別需要知道臨界值y0。可以用已知分組的所有y值相加，再除以個數，即得到y0。以兩組為例，當第一組均值大於第二組均值，則當樣品代入判別式後。。你FISHER做出來以後這里不用知道是哪個距離。，則判為第一組；反之

B. fisher判別分析如何判別屬於哪一類

這里不用知道是哪個距離。。。你FISHER做出來以後，找到系數，分別與對應自變數相乘得到判別式y。fisher判別需要知道臨界值y0。可以用已知分組的所有y值相加，再除以個數，即得到y0。以兩組為例，當第一組均值大於第二組均值，則當樣品代入判別式後，若 y大於y0，則判為第一組；反之，則判為第二組。
有不懂可以hi我

C. 簡述判別分析的核心問題是什麼fisher判別法的判別函數的特點是什麼

你說的對，這兩種方法都是將求解域劃分成有限個網格進行近似求解。其最根本的區別在於：有限差分法是利用級數的概念將連續函數離散化，正如高等數學上所學的連續函數用泰勒級數表達一樣，網格上的結點就是級數中的一個取值點，這樣以級數和的形式求得最終的解，這個解是近似解，其餘項就是誤差。有限元法是利用插值原理對求域進行近似求解，將求解域劃分網格，每個網格看作一個單元進行求解，這樣可以得到若干有限個單元的解，這些解的集和構成整體函數的解。就是說每個單元一個解，這些解分布在整個求解域上，構成不同區域解的變化，如力的變化，溫度的變化，這樣就可以宏觀上看到在不同點上不同的值了。

D. 費希爾(fisher)判別法

是多元分析的Fisher判別吧

Fisher判別的基本思路就是投影，針對P維空間中的某點x=(x1，x2，x3，…，xp)尋找一個能使它降為一維數值的線性函數y(x)：

y(x)= ∑Cjxj

然後應用這個線性函數把P維空間中的已知類別總體以及求知類別歸屬的樣本都變換為一維數據，再根據其間的親疏程度把未知歸屬的樣本點判定其歸屬。這個線性函數應該能夠在把P維空間中的所有點轉化為一維數值之後，既能最大限度地縮小同類中各個樣本點之間的差異，又能最大限度地擴大不同類別中各個樣本點之間的差異，這樣才可能獲得較高的判別效率。在這里借用了一元方差分析的思想，即依據組間均方差與組內均方差之比最大的原則來進行判別。

具體的介紹太多了，電腦上打不了，你去下載一本多元分析的電子書吧。

E. 什麼是Fisher線性判據

Fisher線性鑒別分析的理論研究及其應用
楊健,楊靜宇,葉暉
Fisher線性鑒別分析已成為特徵抽取的最為有效的方法之一 .但是在高維、小樣本情況下如何抽取Fisher最優鑒別特徵仍是一個困難的、至今沒有徹底解決的問題 .文中引入壓縮映射和同構映射的思想 ,從理論上巧妙地解決了高維、奇異情況下最優鑒別矢量集的求解問題 ,而且該方法求解最優鑒別矢量集的全過程只需要在一個低維的變換空間內進行 ,這與傳統方法相比極大地降低了計算量 .在此理論基礎上 ,進一步為高維、小樣本情況下的最優鑒別分析方法建立了一個通用的演算法框架 ,即先作K L變換 ,再用Fisher鑒別變換作二次特徵抽取 .基於該演算法框架 ,提出了組合線性鑒別法 ,該方法綜合利用了F S鑒別和J Y鑒別的優點 ,同時消除了二者的弱點 .在ORL標准人臉庫上的試驗表明 ,組合鑒別法所抽取的特徵在普通的最小距離分類器和最近鄰分類器下均達到 97%的正確識別率 ,而且識別結果十分穩定 .該結果大大優於經典的特徵臉和Fisherfaces方法的識別結果
【作者單位】：南京理工大學計算機科學系 南京210094 (楊健;楊靜宇);南京理工大學計算機科學系 南京210094(葉暉)
【關鍵詞】：Fisher鑒別准則;線性鑒別分析;FoleySammon線性鑒別分析;組合線性鑒別分析;高維小樣本問題;人臉識別
【基金】：國家自然科學基金 (6 0 0 72 0 34)資助~~
【分類號】：TP391.4
【DOI】：cnki:ISSN:0254-4156.0.2003-04-000
【正文快照】：
1 引言眾所周知 ,基於Fisher准則的線性鑒別已被公認為特徵抽取的最好方法之一 .基於Fisher准則的鑒別分析方法有三種最為基本的方法 :1 )Wilks等創立經典Fisher鑒別法[1,2 ] ,近年來Swets[3 ] ,Belhumeur[4 ] 和Liu[5 ] 等用其來解決人臉識別問題 ;2 )由Foley和Sammon建立起來的F S線性鑒別法[6] ,後來Duchene[7] 等進一步拓展了這一方法 ,Tian等[8] 將其用在圖像識別領域 ;3)最近由JinandYang等提出的具有統計不相關性的J Y線性鑒別法[9] .我們對方法 3)做了進一步的研究[10 ] ,指出J Y線性鑒別法是經典的Fisher鑒別法的發展 .但…

詳細的看這邊
http://www.cnki.com.cn/Article/CJFDTotal-MOTO200304000.htm

F. fisher判別法解決多組問題matlab程序

是對每個維度就均值吧，第一、二步不用轉置。

判斷和檢驗，看教程

G. Bayes判別法與Fisher判別法聯系與區別

至今還難以評價哪一種判別方法最好，此處僅對Bayes判別法與Fisher判別法作比較。（1）當k個總體的均值向量 共線性程度較高時，Fisher判別法可用較少的判別函數進行判別，因而比Bayes判別法簡單。另外，Fisher判別法未對總體的分布提出什麼特定的要求。
（2）Fisher判別法的不足是它不考慮各總體出現概率的大小，也給不出預報的後驗概率及錯判率的估計以及錯判之後造成的損失。而這些不足恰是Bayes判別法的優點，但值得指出的是，如果給定的先驗概率不符合客觀實際時，Bayes判別法也可能會導致錯誤的結論。
4 各判別法之間的關系
在上述判別法中，只要滿足一些必要的條件，它們將是等價的。
（1）在正態等協差陣的條件下，Bayes線性判別函數（在不考慮先驗概率 的影響）等價於距離判別准則。因此Bayes線性判別法與距離判別法是等價的。
（2）不加權的Fisher判別法等價於距離判別法，因此在等協差陣條件下，Bayes線性判別法、Fisher線性判別法與距離判別法三者是等價的。（理論上可以說明Bayes線性判別函數在總體是非正態時也適用，只不過喪失正態性後，Bayes判別法具有的平均錯判率最小的性質就不一定存在了）。

H. 歐氏距離判別法，馬氏距離判別法和Fisher判別法的優缺點有哪些

綜述如下：

1、歐氏距離（Euclidean distance）也稱歐幾里得度量、歐幾里得度量，是一個通常採用的距離定義，它是在m維空間中兩個點之間的真實距離。在二維和三維空間中的歐氏距離的就是兩點之間的距離。

缺點：就大部分統計問題而言，歐氏距離是不能令人滿意的。（每個坐標對歐氏距離的貢獻是同等的。當坐標表示測量值時，它們往往帶有大小不等的隨機波動，在這種情況下，合理的方法是對坐標加權，使變化較大的坐標比變化較小的坐標有較小的權系數，這就產生了各種距離。

當各個分量為不同性質的量時，「距離」的大小與指標的單位有關。它將樣品的不同屬性（即各指標或各變數）之間的差別等同看待，這一點有時不能滿足實際要求。沒有考慮到總體變異對距離遠近的影響。

2、馬氏距離是由印度統計學家馬哈拉諾比斯提出的，表示數據的協方差距離。為兩個服從同一分布並且其協方差矩陣為Σ的隨機變數與的差異程度：如果協方差矩陣為單位矩陣，那麼馬氏距離就簡化為歐氏距離，如果協方差矩陣為對角陣，則其也可稱為正規化的歐氏距離。

它是一種有效的計算兩個未知樣本集的相似度的方法。對於一個均值為μ，協方差矩陣為Σ的多變數向量，樣本與總體的馬氏距離為（dm)^2=(x-μ）＇Σ＾（－1)(x-μ）。在絕大多數情況下，馬氏距離是可以順利計算的，但是馬氏距離的計算是不穩定的，不穩定的來源是協方差矩陣，這也是馬氏距離與歐式距離的最大差異之處。

優點：它不受量綱的影響，兩點之間的馬氏距離與原始數據的測量單位無關。（它考慮到各種特性之間的聯系（例如：一條關於身高的信息會帶來一條關於體重的信息，因為兩者是有關聯的）並且是尺度無關的（scale-invariant)，即獨立於測量尺度）；由標准化數據和中心化數據（即原始數據與均值之差）計算出的二點之間的馬氏距離相同。馬氏距離還可以排除變數之間的相關性的干擾。

缺點：誇大了變化微小的變數的作用。受協方差矩陣不穩定的影響，馬氏距離並不總是能順利計算出。

馬氏與歐式距離的比較：

1、馬氏距離的計算是建立在總體樣本的基礎上的，這一點可以從上述協方差矩陣的解釋中可以得出，也就是說，如果拿同樣的兩個樣本，放入兩個不同的總體中，最後計算得出的兩個樣本間的馬氏距離通常是不相同的，除非這兩個總體的協方差矩陣碰巧相同；

2、在計算馬氏距離過程中，要求總體樣本數大於樣本的維數，否則得到的總體樣本協方差矩陣逆矩陣不存在，這種情況下，用歐氏距離計算即可。

I. fisher演算法怎麼實現多個類樣的分類，我怎麼感覺fisher演算法只能做兩個類樣的分類

有辦法實現多類：首先實現兩類fisher演算法，兩類fisher演算法能夠返回最接近待測樣品的類別，然後用返回的類別和新的類別做兩類fisher運算，又能夠得到比較接近的類別，以此類推，直到所有的類別，最後得出未知樣品的類別。