fisher判别算法

A. fisher判别怎样检验判别函数的有效性

找到系数，分别与对应自变量相乘得到判别式y，若 y大于y0。fisher判别需要知道临界值y0。可以用已知分组的所有y值相加，再除以个数，即得到y0。以两组为例，当第一组均值大于第二组均值，则当样品代入判别式后。。你FISHER做出来以后这里不用知道是哪个距离。，则判为第一组；反之

B. fisher判别分析如何判别属于哪一类

这里不用知道是哪个距离。。。你FISHER做出来以后，找到系数，分别与对应自变量相乘得到判别式y。fisher判别需要知道临界值y0。可以用已知分组的所有y值相加，再除以个数，即得到y0。以两组为例，当第一组均值大于第二组均值，则当样品代入判别式后，若 y大于y0，则判为第一组；反之，则判为第二组。
有不懂可以hi我

C. 简述判别分析的核心问题是什么fisher判别法的判别函数的特点是什么

你说的对，这两种方法都是将求解域划分成有限个网格进行近似求解。其最根本的区别在于：有限差分法是利用级数的概念将连续函数离散化，正如高等数学上所学的连续函数用泰勒级数表达一样，网格上的结点就是级数中的一个取值点，这样以级数和的形式求得最终的解，这个解是近似解，其余项就是误差。有限元法是利用插值原理对求域进行近似求解，将求解域划分网格，每个网格看作一个单元进行求解，这样可以得到若干有限个单元的解，这些解的集和构成整体函数的解。就是说每个单元一个解，这些解分布在整个求解域上，构成不同区域解的变化，如力的变化，温度的变化，这样就可以宏观上看到在不同点上不同的值了。

D. 费希尔(fisher)判别法

是多元分析的Fisher判别吧

Fisher判别的基本思路就是投影，针对P维空间中的某点x=(x1，x2，x3，…，xp)寻找一个能使它降为一维数值的线性函数y(x)：

y(x)= ∑Cjxj

然后应用这个线性函数把P维空间中的已知类别总体以及求知类别归属的样本都变换为一维数据，再根据其间的亲疏程度把未知归属的样本点判定其归属。这个线性函数应该能够在把P维空间中的所有点转化为一维数值之后，既能最大限度地缩小同类中各个样本点之间的差异，又能最大限度地扩大不同类别中各个样本点之间的差异，这样才可能获得较高的判别效率。在这里借用了一元方差分析的思想，即依据组间均方差与组内均方差之比最大的原则来进行判别。

具体的介绍太多了，电脑上打不了，你去下载一本多元分析的电子书吧。

E. 什么是Fisher线性判据

Fisher线性鉴别分析的理论研究及其应用
杨健,杨静宇,叶晖
Fisher线性鉴别分析已成为特征抽取的最为有效的方法之一 .但是在高维、小样本情况下如何抽取Fisher最优鉴别特征仍是一个困难的、至今没有彻底解决的问题 .文中引入压缩映射和同构映射的思想 ,从理论上巧妙地解决了高维、奇异情况下最优鉴别矢量集的求解问题 ,而且该方法求解最优鉴别矢量集的全过程只需要在一个低维的变换空间内进行 ,这与传统方法相比极大地降低了计算量 .在此理论基础上 ,进一步为高维、小样本情况下的最优鉴别分析方法建立了一个通用的算法框架 ,即先作K L变换 ,再用Fisher鉴别变换作二次特征抽取 .基于该算法框架 ,提出了组合线性鉴别法 ,该方法综合利用了F S鉴别和J Y鉴别的优点 ,同时消除了二者的弱点 .在ORL标准人脸库上的试验表明 ,组合鉴别法所抽取的特征在普通的最小距离分类器和最近邻分类器下均达到 97%的正确识别率 ,而且识别结果十分稳定 .该结果大大优于经典的特征脸和Fisherfaces方法的识别结果
【作者单位】：南京理工大学计算机科学系 南京210094 (杨健;杨静宇);南京理工大学计算机科学系 南京210094(叶晖)
【关键词】：Fisher鉴别准则;线性鉴别分析;FoleySammon线性鉴别分析;组合线性鉴别分析;高维小样本问题;人脸识别
【基金】：国家自然科学基金 (6 0 0 72 0 34)资助~~
【分类号】：TP391.4
【DOI】：cnki:ISSN:0254-4156.0.2003-04-000
【正文快照】：
1 引言众所周知 ,基于Fisher准则的线性鉴别已被公认为特征抽取的最好方法之一 .基于Fisher准则的鉴别分析方法有三种最为基本的方法 :1 )Wilks等创立经典Fisher鉴别法[1,2 ] ,近年来Swets[3 ] ,Belhumeur[4 ] 和Liu[5 ] 等用其来解决人脸识别问题 ;2 )由Foley和Sammon建立起来的F S线性鉴别法[6] ,后来Duchene[7] 等进一步拓展了这一方法 ,Tian等[8] 将其用在图像识别领域 ;3)最近由JinandYang等提出的具有统计不相关性的J Y线性鉴别法[9] .我们对方法 3)做了进一步的研究[10 ] ,指出J Y线性鉴别法是经典的Fisher鉴别法的发展 .但…

详细的看这边
http://www.cnki.com.cn/Article/CJFDTotal-MOTO200304000.htm

F. fisher判别法解决多组问题matlab程序

是对每个维度就均值吧，第一、二步不用转置。

判断和检验，看教程

G. Bayes判别法与Fisher判别法联系与区别

至今还难以评价哪一种判别方法最好，此处仅对Bayes判别法与Fisher判别法作比较。（1）当k个总体的均值向量 共线性程度较高时，Fisher判别法可用较少的判别函数进行判别，因而比Bayes判别法简单。另外，Fisher判别法未对总体的分布提出什么特定的要求。
（2）Fisher判别法的不足是它不考虑各总体出现概率的大小，也给不出预报的后验概率及错判率的估计以及错判之后造成的损失。而这些不足恰是Bayes判别法的优点，但值得指出的是，如果给定的先验概率不符合客观实际时，Bayes判别法也可能会导致错误的结论。
4 各判别法之间的关系
在上述判别法中，只要满足一些必要的条件，它们将是等价的。
（1）在正态等协差阵的条件下，Bayes线性判别函数（在不考虑先验概率 的影响）等价于距离判别准则。因此Bayes线性判别法与距离判别法是等价的。
（2）不加权的Fisher判别法等价于距离判别法，因此在等协差阵条件下，Bayes线性判别法、Fisher线性判别法与距离判别法三者是等价的。（理论上可以说明Bayes线性判别函数在总体是非正态时也适用，只不过丧失正态性后，Bayes判别法具有的平均错判率最小的性质就不一定存在了）。

H. 欧氏距离判别法，马氏距离判别法和Fisher判别法的优缺点有哪些

综述如下：

1、欧氏距离（Euclidean distance）也称欧几里得度量、欧几里得度量，是一个通常采用的距离定义，它是在m维空间中两个点之间的真实距离。在二维和三维空间中的欧氏距离的就是两点之间的距离。

缺点：就大部分统计问题而言，欧氏距离是不能令人满意的。（每个坐标对欧氏距离的贡献是同等的。当坐标表示测量值时，它们往往带有大小不等的随机波动，在这种情况下，合理的方法是对坐标加权，使变化较大的坐标比变化较小的坐标有较小的权系数，这就产生了各种距离。

当各个分量为不同性质的量时，“距离”的大小与指标的单位有关。它将样品的不同属性（即各指标或各变量）之间的差别等同看待，这一点有时不能满足实际要求。没有考虑到总体变异对距离远近的影响。

2、马氏距离是由印度统计学家马哈拉诺比斯提出的，表示数据的协方差距离。为两个服从同一分布并且其协方差矩阵为Σ的随机变量与的差异程度：如果协方差矩阵为单位矩阵，那么马氏距离就简化为欧氏距离，如果协方差矩阵为对角阵，则其也可称为正规化的欧氏距离。

它是一种有效的计算两个未知样本集的相似度的方法。对于一个均值为μ，协方差矩阵为Σ的多变量向量，样本与总体的马氏距离为（dm)^2=(x-μ）＇Σ＾（－1)(x-μ）。在绝大多数情况下，马氏距离是可以顺利计算的，但是马氏距离的计算是不稳定的，不稳定的来源是协方差矩阵，这也是马氏距离与欧式距离的最大差异之处。

优点：它不受量纲的影响，两点之间的马氏距离与原始数据的测量单位无关。（它考虑到各种特性之间的联系（例如：一条关于身高的信息会带来一条关于体重的信息，因为两者是有关联的）并且是尺度无关的（scale-invariant)，即独立于测量尺度）；由标准化数据和中心化数据（即原始数据与均值之差）计算出的二点之间的马氏距离相同。马氏距离还可以排除变量之间的相关性的干扰。

缺点：夸大了变化微小的变量的作用。受协方差矩阵不稳定的影响，马氏距离并不总是能顺利计算出。

马氏与欧式距离的比较：

1、马氏距离的计算是建立在总体样本的基础上的，这一点可以从上述协方差矩阵的解释中可以得出，也就是说，如果拿同样的两个样本，放入两个不同的总体中，最后计算得出的两个样本间的马氏距离通常是不相同的，除非这两个总体的协方差矩阵碰巧相同；

2、在计算马氏距离过程中，要求总体样本数大于样本的维数，否则得到的总体样本协方差矩阵逆矩阵不存在，这种情况下，用欧氏距离计算即可。

I. fisher算法怎么实现多个类样的分类，我怎么感觉fisher算法只能做两个类样的分类

有办法实现多类：首先实现两类fisher算法，两类fisher算法能够返回最接近待测样品的类别，然后用返回的类别和新的类别做两类fisher运算，又能够得到比较接近的类别，以此类推，直到所有的类别，最后得出未知样品的类别。