fisher算法及其matlab实现.docx

Fisher判别法讲解以及matlab代码实现
两类的线形判别问题可以看作是把所有样本都投影到一个方向上，然后在这个一维空间中确定一个分类的阈值。过这个预置点且与投影方向垂直的超平面就是两类的分类面。
第一个问题，如何确定投影方向？
这里只讨论两类分类的问题.训练样本集是X={x1,x2...xn},每个样本是一个d维向量，其中第一类w1={，...},第二类w2={，...}。我们要寻求一个投影方向w（w也是一个d维向量），投影以后样本变成：=(y是一个标量)，i=1...n
在原样本空间中，类均值为：
i=1,2(一共两类的均值)
（ps.是一个d*1的矩阵，假设每个维度是一个变量值，mi中的每一维度就是这些变量值的均值，如下图所示:

图1
特别注明：有些例子给的矩阵是这样的：

图2
这里的单个样本是1*d的矩阵，要注意计算的时候将其转置，不然套用fisher算法公式的时候就会发现最后得到的矩阵维数不对。
定义各类类内的离散度矩阵为：（类内离散度矩阵其实就是类协方差矩阵，类在多于一个样本，且样本维度>1时是一个矩阵）

（因为，是一个d*1的矩阵，也可称作d维向量，也是一个d*1的矩阵，所以最后得到的一定是一个d*d的矩阵）
（在用matlab计算的时候直接用cov（wi）即可得到想要的协方差矩阵，故直接计算不探究细节时图2可直接cov算协方差，不用根据公式转置来转置去，不过matlab中算的协方差被缩小了（n1-1）倍，计算时=cov（w1）*（n1-1））
总的类内离散度矩阵：

类间离散度矩阵定义为：

在投影以后的一维空间里，两类的均值分别是；
i=1,2
故类内离散度不再是一个矩阵，而是一个值
i=1，2
总类内离散度为：

类间离散度：

要使得需求的方向投影能在投影后两类能尽可能的分开，而各类内部又尽可能的聚集，可表示成如下准则，即fisher准则：

将公式代入并通过拉格朗日求极值的方法，可得投影方向：

（w是一个d*1的矩阵，或者说亦是一个d维向量）
阈值可表示为：

最后将待确定样本代入

判断的符号和哪个类相同，确定其属于哪个类别。
例子（注意表格中所给的样本维度和公式中变量维度的问题）
代码已经运行无误

代码：
%读取excel中特定单元格的数据
w12=xlsread('E:\模式识别\理论学习\胃病分类问题.xls','C2:F16');
%分别选取类1和类2、测试样本的数据
w1=w12(1:5,:);
w2=w12(6:12,:);
sample=w12(13:15,:);
%计算类1和类2的样本数
r1=size(w1,1);
r2=size(w2,1);
r3=size(sample,1);
%计算类1和类2的均值（矩阵）
m1=mean(w1);
m2=mean(w2);
%各类类内离散度矩阵（协方差矩阵）
s1=cov(w1)*(r1-1);
s2=cov(w2)*(r2-1);
%总类内离散度矩阵
sw=s1+s2;
%投影向量的计算公式
w=inv(sw)*(m1-m2)';
%计算投影后的一位空间内，各类的均值
y1=w'*m1';
y2=w'*m2';
%计算阈值
w0=-1/2*(y1+y2);
%和类相同符号被归为同类
fori=1:r3
y(i)=sample(i,:)*w+w0;
ify(i)*(w'*w1(1,:)'+w0)>0
y(i)=1;
else
y(i)=2;
end
End

判断得出第一个待测样本属于类1，第二，三个待测样本属于类2

如果想进一步知道样本矩阵是如何转置得到最后结果的，可看下面这个例子，这个例子没有用到matlab内置的cov协方差函数（用cov可以直接用样本数据直接进行矩阵运算，不用转置成样本维度向量），所以要进行转置后代入fisher准则公式求解.

x=xlsread('E:\模式识别\理论学习\污染水域问题.xls','C3:F14');
x1=x(1:5,:)';
x2=x(6:10,:)';
sample=x(11:12,:)';
m1=zeros(size(x1,1),1);
%求类内离散度矩阵
m1=mean(x1,2)
m2=mean(x2,2)
%求类内离散度矩阵
s1=zeros(size(x1,1),size(x1,1));
fori=1:size(x1,2)
s1=s1+(x1(:,i)-m1)*(x1(:,i)-m1)';
end
s2=zeros(size(x2,1),size(x2,1));
fori=1:size(x2,2)
s2=s2+(x2(:,i)-m2)*(x2(:,i)-m2)';
end
sw=s1+s2;
w=inv(sw)*(m1-m2);
y1=w'*m1;
y2=w'*