【LDA】線性判別分析
參數：
solver：一個字符串，指定了求解最優化問題的算法，可以為如下的值。
- 'svd'：奇異值分解。對於有大規模特征的數據，推薦用這種算法。
- 'lsqr'：最小平方差，可以結合skrinkage參數。
- 'eigen' ：特征分解算法，可以結合shrinkage參數。
skrinkage：字符串‘auto’或者浮點數活者None。該參數通常在訓練樣本數量小於特征數量的場合下使用。該參數只有在solver=lsqr或者eigen下才有意義
- '字符串‘auto’：根據Ledoit-Wolf引理來自動決定shrinkage參數的大小。
- 'None：不使用shrinkage參數。
- 浮點數（位於0~1之間）：指定shrinkage參數。
priors：一個數組，數組中的元素依次指定了每個類別的先驗概率。如果為None，則認為每個類的先驗概率都是等可能的。
n_components：一個整數。指定了數組降維后的維度（該值必須小於n_classes-1）。
store_covariance：一個布爾值。如果為True，則需要額外計算每個類別的協方差矩陣。
warm_start：一個布爾值。如果為True，那么使用前一次訓練結果繼續訓練，否則從頭開始訓練。
tol：一個浮點數。它指定了用於SVD算法中評判迭代收斂的閾值。
返回值
coef_：權重向量。
intercept：b值。
covariance_：一個數組，依次給出了每個類別煩人協方差矩陣。
means_：一個數組，依次給出了每個類別的均值向量。
xbar_：給出了整體樣本的均值向量。
n_iter_：實際迭代次數。
方法
fix(X,y)：訓練模型。
predict(X)：用模型進行預測，返回預測值。
score(X,y[,sample_weight])：返回（X，y）上的預測准確率（accuracy）。
predict_log_proba（X）：返回一個數組，數組的元素一次是 X 預測為各個類別的概率的對數值。
predict_proba（X）：返回一個數組，數組元素一次是 X 預測為各個類別的概率的概率值
predict_proba（X）：返回一個數組，數組元素一次是 X 預測為各個類別的概率的概率值