注意

转到末尾 下载完整的示例代码。或通过 JupyterLite 或 Binder 在您的浏览器中运行此示例

具有协方差椭圆的线性判别分析和二次判别分析#

此示例绘制每个类的协方差椭圆体以及由 LinearDiscriminantAnalysis (LDA) 和 QuadraticDiscriminantAnalysis (QDA) 学习到的决策边界。椭圆体显示每个类的双标准差。对于 LDA，所有类的标准差相同，而对于 QDA，每个类都有其自身的标准差。

# Authors: The scikit-learn developers
# SPDX-License-Identifier: BSD-3-Clause

数据生成#

首先，我们定义一个函数来生成合成数据。它创建两个分别以 (0, 0) 和 (1, 1) 为中心的斑点。每个斑点都分配一个特定的类。斑点的分散度由参数 cov_class_1 和 cov_class_2 控制，它们是在从高斯分布生成样本时使用的协方差矩阵。

import numpy as np


def make_data(n_samples, n_features, cov_class_1, cov_class_2, seed=0):
    rng = np.random.RandomState(seed)
    X = np.concatenate(
        [
            rng.randn(n_samples, n_features) @ cov_class_1,
            rng.randn(n_samples, n_features) @ cov_class_2 + np.array([1, 1]),
        ]
    )
    y = np.concatenate([np.zeros(n_samples), np.ones(n_samples)])
    return X, y

我们生成了三个数据集。在第一个数据集中，两个类共享相同的协方差矩阵，并且此协方差矩阵具有球形（各向同性）的特性。第二个数据集类似于第一个数据集，但不强制协方差为球形。最后，第三个数据集为每个类都有一个非球形协方差矩阵。

covariance = np.array([[1, 0], [0, 1]])
X_isotropic_covariance, y_isotropic_covariance = make_data(
    n_samples=1_000,
    n_features=2,
    cov_class_1=covariance,
    cov_class_2=covariance,
    seed=0,
)
covariance = np.array([[0.0, -0.23], [0.83, 0.23]])
X_shared_covariance, y_shared_covariance = make_data(
    n_samples=300,
    n_features=2,
    cov_class_1=covariance,
    cov_class_2=covariance,
    seed=0,
)
cov_class_1 = np.array([[0.0, -1.0], [2.5, 0.7]]) * 2.0
cov_class_2 = cov_class_1.T
X_different_covariance, y_different_covariance = make_data(
    n_samples=300,
    n_features=2,
    cov_class_1=cov_class_1,
    cov_class_2=cov_class_2,
    seed=0,
)

绘图函数#

下面的代码用于绘制所用估计器（即 LinearDiscriminantAnalysis (LDA) 和 QuadraticDiscriminantAnalysis (QDA)）的几部分信息。显示的信息包括

  • 基于估计器的概率估计的决策边界；

  • 用圆圈表示正确分类样本的散点图；

  • 用十字表示错误分类样本的散点图；

  • 估计器估计的每个类的均值，用星号标记；

  • 用椭圆表示的估计协方差，该椭圆距均值 2 个标准差。

import matplotlib as mpl
from matplotlib import colors

from sklearn.inspection import DecisionBoundaryDisplay


def plot_ellipse(mean, cov, color, ax):
    v, w = np.linalg.eigh(cov)
    u = w[0] / np.linalg.norm(w[0])
    angle = np.arctan(u[1] / u[0])
    angle = 180 * angle / np.pi  # convert to degrees
    # filled Gaussian at 2 standard deviation
    ell = mpl.patches.Ellipse(
        mean,
        2 * v[0] ** 0.5,
        2 * v[1] ** 0.5,
        angle=180 + angle,
        facecolor=color,
        edgecolor="black",
        linewidth=2,
    )
    ell.set_clip_box(ax.bbox)
    ell.set_alpha(0.4)
    ax.add_artist(ell)


def plot_result(estimator, X, y, ax):
    cmap = colors.ListedColormap(["tab:red", "tab:blue"])
    DecisionBoundaryDisplay.from_estimator(
        estimator,
        X,
        response_method="predict_proba",
        plot_method="pcolormesh",
        ax=ax,
        cmap="RdBu",
        alpha=0.3,
    )
    DecisionBoundaryDisplay.from_estimator(
        estimator,
        X,
        response_method="predict_proba",
        plot_method="contour",
        ax=ax,
        alpha=1.0,
        levels=[0.5],
    )
    y_pred = estimator.predict(X)
    X_right, y_right = X[y == y_pred], y[y == y_pred]
    X_wrong, y_wrong = X[y != y_pred], y[y != y_pred]
    ax.scatter(X_right[:, 0], X_right[:, 1], c=y_right, s=20, cmap=cmap, alpha=0.5)
    ax.scatter(
        X_wrong[:, 0],
        X_wrong[:, 1],
        c=y_wrong,
        s=30,
        cmap=cmap,
        alpha=0.9,
        marker="x",
    )
    ax.scatter(
        estimator.means_[:, 0],
        estimator.means_[:, 1],
        c="yellow",
        s=200,
        marker="*",
        edgecolor="black",
    )

    if isinstance(estimator, LinearDiscriminantAnalysis):
        covariance = [estimator.covariance_] * 2
    else:
        covariance = estimator.covariance_
    plot_ellipse(estimator.means_[0], covariance[0], "tab:red", ax)
    plot_ellipse(estimator.means_[1], covariance[1], "tab:blue", ax)

    ax.set_box_aspect(1)
    ax.spines["top"].set_visible(False)
    ax.spines["bottom"].set_visible(False)
    ax.spines["left"].set_visible(False)
    ax.spines["right"].set_visible(False)
    ax.set(xticks=[], yticks=[])

LDA 和 QDA 的比较#

我们将 LDA 和 QDA 两个估计器在所有三个数据集上进行比较。

import matplotlib.pyplot as plt

from sklearn.discriminant_analysis import (
    LinearDiscriminantAnalysis,
    QuadraticDiscriminantAnalysis,
)

fig, axs = plt.subplots(nrows=3, ncols=2, sharex="row", sharey="row", figsize=(8, 12))

lda = LinearDiscriminantAnalysis(solver="svd", store_covariance=True)
qda = QuadraticDiscriminantAnalysis(store_covariance=True)

for ax_row, X, y in zip(
    axs,
    (X_isotropic_covariance, X_shared_covariance, X_different_covariance),
    (y_isotropic_covariance, y_shared_covariance, y_different_covariance),
):
    lda.fit(X, y)
    plot_result(lda, X, y, ax_row[0])
    qda.fit(X, y)
    plot_result(qda, X, y, ax_row[1])

axs[0, 0].set_title("Linear Discriminant Analysis")
axs[0, 0].set_ylabel("Data with fixed and spherical covariance")
axs[1, 0].set_ylabel("Data with fixed covariance")
axs[0, 1].set_title("Quadratic Discriminant Analysis")
axs[2, 0].set_ylabel("Data with varying covariances")
fig.suptitle(
    "Linear Discriminant Analysis vs Quadratic Discriminant Analysis",
    y=0.94,
    fontsize=15,
)
plt.show()
Linear Discriminant Analysis vs Quadratic Discriminant Analysis, Linear Discriminant Analysis, Quadratic Discriminant Analysis

首先要注意的是，对于第一个和第二个数据集，LDA 和 QDA 是等效的。事实上，主要区别在于 LDA 假设每个类的协方差矩阵相等，而 QDA 为每个类估计一个协方差矩阵。由于在这些情况下，数据生成过程对两个类具有相同的协方差矩阵，因此 QDA 估计的两个协方差矩阵（几乎）相等，因此等效于 LDA 估计的协方差矩阵。

在第一个数据集中，用于生成数据集的协方差矩阵是球形的，这导致判别边界与两个均值之间的垂直平分线对齐。第二个数据集不再是这种情况。判别边界只穿过两个均值的中间。

最后，在第三个数据集中，我们观察到 LDA 和 QDA 之间的真实差异。QDA 拟合两个协方差矩阵并提供非线性判别边界，而 LDA 由于假设两个类共享单个协方差矩阵而拟合不足。

脚本总运行时间：（0 分钟 0.409 秒）

相关示例

用于分类的正态、Ledoit-Wolf 和 OAS 线性判别分析

用于分类的正态、Ledoit-Wolf 和 OAS 线性判别分析

真实数据集上的异常值检测

真实数据集上的异常值检测

高斯混合模型选择

高斯混合模型选择

稳健与经验协方差估计

稳健与经验协方差估计

由 Sphinx-Gallery 生成的图库