QDA 与 LDA 在 AT&T 数据集上进行人脸识别答案

【问题标题】：QDA vs LDA for face recognition on AT&T datasetQDA 与 LDA 在 AT&T 数据集上进行人脸识别
【发布时间】：2019-01-16 01:05:40
【问题描述】：

在使用 lda 和 qda 拟合模型时，我获得了 AT&T 人脸数据库的两个非常不同的准确度。在使用 QDA 之前，我首先搜索理想的正则化参数，AFAIK 是唯一一个用于微调 QDA 的导入参数。

X_load,y_load = datasets.fetch_olivetti_faces(data_home="R:/DATASET/AT&T", return_X_y=True)

我将其分成平衡的训练和测试序列（8 张图像用于训练，2 张用于测试）

lda = LinearDiscriminantAnalysis(solver='svd')
lda.fit(X_train, y_train)
y_pred_lda = lda.predict(X_test)
y_true_lda = y_test
f1_scores_lda.append(met.f1_score(y_true_lda, y_pred_lda, average='micro'))

qda = QuadraticDiscriminantAnalysis()
clf = GridSearchCV(qda, params, cv=4)
clf.fit(X_train, y_train)
reg_params_qda.append(clf.best_params_['reg_param'])

我正在为越来越多的人运行这个实验，所以我用这些参数保存了一个 python 列表

qda2 = QuadraticDiscriminantAnalysis(reg_param=clf.best_params_['reg_param'])
qda2.fit(X_train, y_train)
y_pred_qda = qda2.predict(X_test)
f1_scores_qda.append(met.f1_score(y_true_qda, y_pred_qda, average='micro'))

当我使用整个数据集（40 人）运行它时；

f1_scores_lda 输出 0.975

f1_scores_qda 输出 0.125

为什么 QDA 表现如此糟糕？

【问题讨论】：

多个问题，太宽泛了，不费吹灰之力，除非您重新提出具体问题，否则应该关闭；你不能就应该使用哪个分类器提出建议；实施它然后告诉我们你发现了什么。此外，当您说“希望我考虑特征空间中不同类别的数据的分布”时，如果您给我们一个分布图或一些汇总统计数据，它会有所帮助。此外，您可能会在 [CrossValidated](https:/www.stackoverflow.com) 上发布或阅读更好的答案。
有28 questions about LDA+QDA on CrossValidated，建议略读，至少从得票最多的开始。向我们展示一些基本的汇总统计数据或特征空间中不同类的分布图，考虑一些快速而肮脏的变换以使它们更正常，重新运行分类器，告诉我们你得到了什么改进，看看混乱矩阵。基本上，对 QDA 或 LDA 为何按类执行它们的方式有一个直觉。在您进行分类购物之前。
基本上，从回答你自己的 Q1 和 2 开始。在你对这些问题有一个基本的答案之前不要再进一步。
我明天会清理这个，谢谢指点，抱歉不够具体。我将编辑问题并按照您的建议进行操作，感谢您抽出宝贵时间回复！

标签： python numpy scipy scikit-learn

【解决方案1】：

这个问题已经重新表述，我最终在Cross Validated自己回答了这个问题

【讨论】：