.
.
.
.
下面给大家分享一下焦藏藏的稿子文字部分，虽然讲的时候也没咋按照稿子讲，只能说作了个参考。（下面的部分建议略过不看）
.
.
【ppt第一面】
老师同学们上午好，我是这一组的主讲人焦藏藏，另外两个组员是汪yk 和张xb ，他们俩都做了ppt，收集资料的主要是汪yk，汪yk的ppt也做的相对好一些，前天晚上他们把PPT给我，我一看，觉得照着念也感觉不通顺，为了给同学们呈现更好的课堂展示，我决定按照自己的思路来讲，所以我也做了ppt。
我们组要讲的是LDA和MMC，LDA是线性判别分析Linear Discriminant Analysis，MMC是最大间距准则Maximum Margin Criterion。
我两个组员的ppt要么把MMC放在LDA前面，要么把它们混在一起，而我认为LDA应该放在MMC前面讲，等我讲完我相信大家就明白为什么LDA在前MMC在后了。
老师要求我们着重讲MMC，而让我们比较为难的就是MMC，因为它的资料比其他的难找许多。难讲也要讲，我们现在来看目录。
【目录】
（念PPT）
【导言-1】
看这张ppt，这张ppt是我们能够找到的我们这门课的课程资料里唯一的一张提到MMC的ppt，扫一眼，这张ppt说MMC是解决小样本问题的常用方法之一，好，这里留个印象，一会儿有用。
【导言-2】
这里有张图表，上面有一些数据点和两条线PC1和PC2，这个PC1和PC2是我们上次讲课讲过的PCA主成分分析Principal Component Analysis，上次课讲了要找PCA主轴，是不是要找投影散的最开的那条？就是PC1了.
【导言-3】
这里简单画一下示例，我们用紫色的线代表蓝色数据的投影，黄色的线代表红色的投影，PC1就是我们找的PCA了。我们这里发现了一个问题：我们没办法用这个PC1来分开蓝色和红色的数据。但是我们看一下这个PCA认为不重要的轴PC２，让数据投影到PC２上看看。
【导言-4】
这里是把数据投影到PC２上，我们可以看到蓝色的数据，用紫色投影表示在左上方，红色数据用黄色投影表示在右下方，这样是不是好像能把这蓝色和红色的数据分开来了？所以对于PCA认为不重要的这个PC２我们好像找到了用处，即用来判别数据。
【导言-5，LDA是有监督】
我们上次课讲了PCA是无监督学习，我们稍微扫一眼什么是有、无监督学习，可以看到就是是否拥有标记。我们看这个小图，数据给了两种不同的颜色，这就是一种标记，我们刚刚用PC２区分开两种数据的时候就使用了这个颜色标记，所以我们刚刚的方法就是有监督学习。而我们刚刚的方法就是LDA的雏形。下面我们来看看LDA到底是什么。
【LDA概念-1】
线性判别分析(linear discriminant analysis)是谁谁不啦不啦一长串，没兴趣看，所谓概念只有学习过后，真的懂了，才能看到之后明白意思，会心一笑，能直接看概念懂的都是理解能力强的人。我们直接上个例子讲：
【LDA概念-2】
好，我们看这个图，就是LDA的二维数据示意图，这里为了简单给出的是两种数据，我们把加号叫正例，减号叫反例，椭圆表示数据簇的外轮廓，虚线表示投影，红色实心圆和实心三角形表示这两类样本投影后的中心点。那么有同学就要问了，焦藏藏，你给了这个图我除了看到两种数据投影在一条线上是分开的，其他的啥也不知道，你到底会不会讲啊？那我说你还不够聪明，聪明的人看到这里已经能自己写一篇论文提出线性判别分析了，可惜费舍尔已经在１９３６年提出了判别分析然后马上各种LDA就出来了。不过我说我也不够聪明，所以也要接着看LDA到底是什么。
【LDA概念-３，LDA思想】
（念PPT）
好，我把它念了一遍，大家已经懂了，它就是想把同类投影的尽可能近，异类尽可能远，然后新的进来之后也投影看它离谁近那它就是谁了，所以我们就做到了分辨种类这个功能，把分辨种类换个好一点的词，就是判别，所以就是机器学习的判别分析，因为是用的线性的，就叫线性判别分析，LDA怎么来得？就是这么来的。好，了解了LDA概念思想之后我们来看LDA的推导。
【LDA推导-1】
（念PPT）
我们数据必须是有标签的，否则那就不是有监督学习，也搞不了LDA，我们要的是那条直线，数学上其实就是要的那条直线的方向向量，求的方法就是用数学工具啦。
【LDA推导-２】
好，我们把要用到的基础的量解释一下含义。我们这里用最简单的二分类为例。数据集里面的ｘ是具体数据，是向量，ｙ是标签，是标量，也就是分类，０类和１类这两类。这里我用的向量都是列向量，因为我们用到的线代知识比较多，如果要行向量直接转置一下就行了。
本小章还未完~.~，请点击下一页继续阅读后面精彩内容！