scikit-learn线性判别实践 - 随机生成数的降维——python

本关任务：利用 sklearn 构建 LDA 对数据进行降维。

为了完成本关任务，你需要掌握：1. LinearDiscriminantAnalysis。

LinearDiscriminantAnalysis
在降维时，LinearDiscriminantAnalysis 的构造函数中有一个常用的参数可以设置：

• n_components：即我们进行 LDA 降维时降到的维数。在降维时需要输入这个参数。需要注意的是，n_components 值的范围是 1 到 类别数-1 之间的值。

LinearDiscriminantAnalysis 类中的 fit 函数用于训练模型，fit 函数有两个向量输入：

• X ：大小为**[样本数量,特征数量]**的 ndarray，存放训练样本；

• Y ：值为整型，大小为**[样本数量]**的 ndarray，存放训练样本的标签值。

LinearDiscriminantAnalysis 类中的 transform 函数用于降维，返回降维后的数据，transform 函数有一个向量输入：

• X ：大小为**[样本数量,特征数量]**的 ndarray，存放需降维的样本。

LinearDiscriminantAnalysis 的使用代码如下：

lda = LinearDiscriminantAnalysis(n_components=1)  
lda.fit(X,y)  
X_new = lda.transform(X)  

根据提示，在右侧编辑器中的 begin-end 之间补充代码，实现 LDA 对数据进行降维。

程序会调用你实现好的方法将随机生成的三维三类别数据降到二维，降维后的数据与正确数据 l2距离小于 10,则视为通关，否则输出你处理后的数据。

#encoding=utf8 
from sklearn.discriminant_analysis import LinearDiscriminantAnalysis

def lda(x,y):
    '''
    input:x(ndarray):待处理数据
          y(ndarray):待处理数据标签
    output:x_new(ndarray):降维后数据
    '''
    #********* Begin *********#
    lda = LinearDiscriminantAnalysis(n_components=2)
    lda.fit(x, y)
    x_new = lda.transform(x)
    #********* End *********#
    return x_new