（2018第一篇隨筆）
承接上個博客，這次來讀sklearn的python代碼說明以及源碼
/*******************************************************代碼說明*************************************************************/
class sklearn.discriminant_analysis.LinearDiscriminantAnalysis(solver='svd', shrinkage=None, priors=None, n_components=None, store_covariance=False, tol=0.0001)
-
類的參數
Solver:string,可選
有三種參數值：
'svd':奇異值分解（默認設置）。不計算協方差矩陣，推薦在數據維數較大時使用
'lsqr':最小平方解，可以進行shrinkage
'eigen':特征值分解，可以進行shrinkage
Shrinkage:string/float,可選
收縮參數，有三種可能:
None:不進行收縮（默認設置）
'auto':根據Ledoit-Wolf lemma自動選擇收縮
0-1之間的浮點數:固定的收縮參數
（注意收縮只在'lsqr'和'eigen'時才有效）
Priors:array數組（大小為類別數），可選。類先驗概率
n_components:整形，可選
維數約減的維數（<類別數-1）
Store_covariance:bool,可選
計算類協方差矩陣（默認為false），只用於'svd'的情況
Tol:浮點數，可選（默認1.0e-4）
秩估計的閾值在'svd'中
-
類的屬性
Coef_:array數組，大小為（#features）或（#classes,#features）
（多個）權值向量
Intercept:array數組，大小（#features）
截距
Covariance_:array-like? 大小（#features*#features）
所有類的協方差矩陣
Explained_variance_ratio_:array數組，大小（n_components,）
每個選定components解釋的方差比。若n_components未設定，那么所有的components組件被存儲而且被解釋的方差之和為1。只在'svd'or'eigen'時可用
Means_:arrray-like，大小（#類別，#特征）
類均值
Priors_:array-like,大小（#類別）
類的先驗，和為1
Scalings_:array-like，大小（rank秩，類別數-1）
由類質心張成空間中特征的規模scaling?
(Scaling of the features in the space spanned by the class centroids.)
Xbar_:array-like,大小（#features）
所有樣本的均值
Classes_:array-like,大小（#classes）
唯一的類標
Examples:
1 >>> import numpy as np 2 >>> from sklearn.discriminant_analysis import LinearDiscriminantAnalysis 3 >>> X = np.array([[-1, -1], [-2, -1], [-3, -2], [1, 1], [2, 1], [3, 2]]) 4 >>> y = np.array([1, 1, 1, 2, 2, 2]) 5 >>> clf = LinearDiscriminantAnalysis() 6 >>> clf.fit(X, y) 7 LinearDiscriminantAnalysis(n_components=None, priors=None, shrinkage=None, 8 solver='svd', store_covariance=False, tol=0.0001) 9 >>> print(clf.predict([[-0.8, -1]])) 10 [1]
-
類的方法
| 預測樣本的置信度分數 |
|
| fit(X, y) |
根據給定的訓練數據和參數擬合線性判別分析模型 |
| fit_transform(X[, y]) |
擬合數據，然后轉換 |
| get_params([deep]) |
得到該估計器的參數 |
| predict(X) |
預測X的類標 |
| 估計對數概率值 |
|
| 估計概率 |
|
| score(X, y[, sample_weight]) |
返回對於訓練集的平均分類准確率（給定類標） |
| set_params(**params) |
給該估計器設置參數 |
| transform(X) |
投影數據使得最大化類間隔 |
__init__(solver='svd', shrinkage=None, priors=None, n_components=None, store_covariance=False, tol=0.0001)[source]
該類的析構函數。設定參數的默認值
decision_function(X)[source]
樣本的置信度分數是該樣本到（分類）超平面的有符號距離
| 參數 |
X：{array-like數組，稀疏矩陣},大小=（樣本數，特征維數） 樣本 |
| 返回值 |
數組；在兩類的情況下大小=（樣本數，）否則（樣本數，類別數） 返回的數組是對於每一個（樣本，類別）的置信度分數。在兩類的情況下，self.classes_[1]的置信度分數>0意味着這個類將被預測
|
fit(X, y)[source]
| 參數 |
X：array-like數組，大小（樣本數，特征數） 訓練數據 Y:數組，大小（樣本數，） 目標值 |
fit_transform(X, y=None, **fit_params)[source]
對X和y擬合轉換模型（可選參數fit_para），返回X的轉換后的版本
| 參數 |
X:ndarray，大小[樣本數，特征數] 訓練集 y:ndarray，大小[樣本數] 目標值 |
| 返回值 |
X_new:ndarray大小[樣本數，新的特征數] 轉換后的數組 |
get_params(deep=True)[source]
| 參數 |
Deep:布爾型，可選 若為真，將會返回該估計器的參數，而且包含子對象，子對象是估計器 |
| 返回值 |
Params:字符串到任何事的映射 對應於他們的值的參數名 |
predict(X)[source]
| 參數 |
X：{array-like數組，稀疏矩陣}，大小=[樣本數，特征數] 樣本 |
| 返回值 |
C：數組，大小=[樣本數] 每個樣本的類標 |
predict_log_proba(X)[source]
| 參數 |
X：array-like數組，大小=（樣本數，特征數） 輸入的數據 |
| 返回值 |
C：數組，大小=（樣本數，類別數） 估計的對數概率 |
predict_proba(X)[source]
| 參數 |
X：array-like數組，大小=（樣本數，特征數） 輸入的數據 |
| 返回值 |
C：數組，大小=（樣本數，類別數） 估計的概率 |
score(X, y, sample_weight=None)[source]
在多類標分類問題中，這是一個苛刻度量標准的子集准確率，因為對於每個樣本你都要求標簽集被正確預測
| 參數 |
X：array-like，大小=（樣本數，特征數） 測試樣本 y：array-like，大小=（樣本數）或（樣本數，n_outputs） X的真實類標 Sample_weight:array-like，大小=[樣本數]，該參數可選 樣本的權值？ |
| 返回值 |
Score:浮點型 預測函數self.predict(X) wrt. y.的平均准確率 |
set_params(**params)[source]
該方法既工作於簡單的估計器，也在嵌套的對象（比如pipelines）。后者有參數，其形式：
<component>__<parameter>。他可能會更新嵌套對象的每個component。
返回：self:
transform(X)[source]
| 參數值 |
X：array-like，大小（樣本數，特征數） 輸入數據 |
| 返回值 |
X_new:array，大小（樣本數，n_components） 轉換后的數據 |
下面是四個該算法的實例