Comment interpréter les résultats de LinearDiscriminantAnalysis?

Question

Je suis intéressé à comprendre quelles sont les «caractéristiques» qui ont le plus d'impact dans une classification multi-classes.

Je l'ai fait avec PCA et cela semble me permettre d'inspecter la variance directionnelle dans chaque fonctionnalité par composant via le components_ vector.

Je me bats pour interroger les résultats de LDA quant à la compréhension des caractéristiques qui font partie de chaque composante et leur impact est ...

Toutes les suggestions sur les éléments de l'objet LDA après fit_transform peut être utilisé obtenir des informations spécifiques à chaque composant?

Answer 1

Here est une réponse de la documentation de sklearn lui-même.

analyse en composantes principales (ACP) appliquée à ces données identifie la combinaison d'attributs (composants principaux, ou les directions dans l'espace de fonction) qui représentent la plus variance des données. Ici nous tracerons les différents échantillons sur les 2 premiers composants principaux.

L'analyse discriminante linéaire (LDA) tente d'identifier les attributs qui représentent la plus grande variance entre les classes. En particulier, LDA, contrairement à PCA, est une méthode supervisée, utilisant des étiquettes de classe connues.