लिनीयर डिस्क्रिमिनेंट एनालिसिस: डायमेंशन रिडक्शन से आगे

डायमेंशनलिटी रिडक्शन के मामले में लिनीयर डिस्क्रिमिनेंट एनालिसिस (LDA) को अक्सर अधिक लोकप्रिय एल्गोरिथ्म प्रिंसिपल कंपोनेंट एनालिसिस (PCA) के आगे दरकिनार कर दिया जाता है। लेकिन LDA वह विशिष्ट लाभ देता है जो PCA नहीं दे सकता: यह एक साथ डायमेंशन घटाते हुए क्लास की पृथकता को ऑप्टिमाइज़ करता है।

यह ट्यूटोरियल आपको LDA, इसके पीछे के गणितीय अंतर्ज्ञान, और इस तकनीक के वास्तविक दुनिया के उपयोगों से परिचित कराएगा। आगे, हम एक डेटासेट पर LDA लागू करेंगे, उसकी तुलना PCA से करेंगे, और इसके फायदे-नुकसान का विश्लेषण करेंगे—ताकि आप अपने अगले प्रोजेक्ट में LDA लागू करने की शुरुआत के लिए आवश्यक सब कुछ पा सकें।

लिनीयर डिस्क्रिमिनेंट एनालिसिस (LDA) का परिचय

LDA एक डायमेंशन रिडक्शन और क्लासिफिकेशन तकनीक है जो यह मानती है कि अलग-अलग क्लास अलग-अलग Gaussian वितरणों के आधार पर डेटा जनरेट करती हैं। 

LDA का लक्ष्य ऐसे फीचर्स का लिनीयर संयोजन खोजना है जो इन क्लासों को सबसे अच्छी तरह अलग करे। यह between-class scatter और within-class scatter के अनुपात को अधिकतम करता है। सरल शब्दों में, यह फीचर स्पेस में ऐसे दिशा-निर्देश ढूंढता है जहाँ अलग-अलग क्लास एक-दूसरे से बहुत दूर हों (उच्च between-class scatter) जबकि एक ही क्लास के पॉइंट एक-दूसरे के पास हों (निम्न within-class scatter)। 

यह दोहरा उद्देश्य LDA को डायमेंशनलिटी रिडक्शन और क्लासिफिकेशन—दोनों कार्यों के लिए खास तौर पर प्रभावी बनाता है।

LDA के पीछे का गणित

LDA के गणित को समझने के लिए एल्गोरिथ्म को तीन मुख्य घटकों में बांटना उपयोगी है: 

• within-class scatter, 
• between-class scatter, और
• ऑप्टिमाइज़ेशन उद्देश्य।

Within-class scatter मैट्रिक्स (Sw)

Within-class scatter मैट्रिक्स मापता है कि प्रत्येक क्लास के भीतर डेटा पॉइंट कितने बिखरे हुए हैं। 

प्रत्येक क्लास i के लिए, हम scatter मैट्रिक्स Si इस प्रकार निकालते हैं:

Si = Σ(x - μi)(x - μi)T

जहाँ x क्लास i में प्रत्येक डेटा पॉइंट को दर्शाता है, और μi क्लास i का माध्य है। कुल within-class scatter मैट्रिक्स है:

Sw = Σ Si (sum over all classes)

Between-class scatter मैट्रिक्स (Sb)

Between-class scatter मैट्रिक्स मापता है कि क्लास के माध्य समग्र माध्य से कितनी दूर हैं। इसे इस प्रकार निकाला जाता है:

Sb = Σ Ni(μi - μ)(μi - μ)T  

जहाँ Ni क्लास i में सैंपल की संख्या है, μi क्लास i का माध्य है, और μ सभी डेटा का समग्र माध्य है।

ऑप्टिमाइज़ेशन उद्देश्य

LDA वह प्रोजेक्शन मैट्रिक्स W ढूंढता है जो Fisher क्राइटेरियन को अधिकतम करता है:

J(W) = |WT Sb W| / |WT Sw W|

मूलतः यह प्रोजेक्टेड स्पेस में between-class scatter से within-class scatter के अनुपात को अधिकतम करना है। समाधान में मैट्रिक्स Sw^-1Sb के ईजेनवेक्टर्स खोजना शामिल है, जो हमें वे दिशाएँ (लिनीयर डिस्क्रिमिनेंट) देते हैं जो क्लासों को सबसे अच्छी तरह अलग करती हैं।

इस प्रकार, LDA इस जटिल ऑप्टिमाइज़ेशन समस्या को eigenvalue decomposition तक घटा देता है, जिससे यह मध्यम रूप से उच्च-आयामी डेटासेट पर भी संगणनात्मक रूप से कुशल हो जाता है।

अब जबकि हमने LDA की अवधारणा और गणितीय अंतर्ज्ञान समझ लिया है, आइए इसके वास्तविक दुनिया के उपयोग जानें।

LDA के वास्तविक दुनिया में उपयोग

LDA के कई ऐसे क्षेत्रों में उपयोग हैं जहाँ क्लासिफिकेशन और डायमेंशनलिटी रिडक्शन की आवश्यकता होती है:

• मेडिकल डायग्नोसिस: मेडिकल इमेजिंग में विभिन्न प्रकार के ट्यूमर या असामान्यताओं को वर्गीकृत करने के लिए LDA का उपयोग होता है। यह MRI स्कैन का विश्लेषण कर सौम्य और घातक ऊतकों में अंतर करने हेतु छवि डेटा में सबसे अधिक भेदकारी फीचर्स की पहचान कर सकता है।
• वित्त और बैंकिंग: क्रेडिट स्कोरिंग सिस्टम ऋण आवेदकों को जोखिम श्रेणियों में वर्गीकृत करने के लिए LDA का उपयोग करते हैं। आय, ऋण-से-आय अनुपात, और क्रेडिट इतिहास जैसे वित्तीय मेट्रिक्स का विश्लेषण कर LDA उच्च-जोखिम और निम्न-जोखिम उधारकर्ताओं में अंतर करने में मदद करता है।
• बायोइन्फॉर्मेटिक्स: जीन एक्सप्रेशन एनालिसिस में अलग-अलग रोग अवस्थाओं या उपचार प्रतिक्रियाओं को वर्गीकृत करने हेतु LDA का उपयोग किया जाता है। यह पहचानने में मदद करता है कि स्वस्थ और रोगग्रस्त ऊतक नमूनों में अंतर करने के लिए कौन-से जीन सबसे महत्वपूर्ण हैं।
• मार्केटिंग और कस्टमर सेगमेंटेशन: कंपनियाँ खरीदारी व्यवहार, जनसांख्यिकीय डेटा और एंगेजमेंट मेट्रिक्स के आधार पर ग्राहकों को सेगमेंट करने के लिए LDA का उपयोग करती हैं। यह लक्षित मार्केटिंग अभियानों और व्यक्तिगत उत्पाद सिफारिशों में सहायक होता है।
• इमेज रिकग्निशन: फेस रिकग्निशन सिस्टम चेहरे की छवियों की डायमेंशनलिटी घटाने में LDA का उपयोग करते हैं, जबकि उन फीचर्स को संरक्षित रखते हैं जो अलग-अलग व्यक्तियों में भेद करने के लिए सबसे महत्वपूर्ण हैं।
• क्वालिटी कंट्रोल: विनिर्माण उद्योग विभिन्न गुणवत्ता मेट्रिक्स के आधार पर उत्पादों को दोषपूर्ण या निर्दोष के रूप में वर्गीकृत करने के लिए LDA लागू करते हैं, जिससे स्वचालित गुणवत्ता आश्वासन प्रक्रियाएँ सक्षम होती हैं।
• स्पीच रिकग्निशन: LDA ध्वन्यात्मक इकाइयों (फोनीम) के वर्गीकरण में उन ध्वनिक फीचर्स की पहचान कर मदद करता है जो विभिन्न भाषण ध्वनियों में सबसे अच्छा अंतर करते हैं, जिससे स्पीच-टू-टेक्स्ट सिस्टम की सटीकता बेहतर होती है।
• पर्यावरणीय मॉनिटरिंग: सेंसर डेटा के आधार पर पर्यावरणीय स्थितियों को वर्गीकृत करने के लिए LDA का उपयोग होता है, जैसे विभिन्न प्रदूषण स्तरों या मौसम पैटर्न के बीच अंतर करना।

Python में LDA का इम्प्लीमेंटेशन

आइए Python का उपयोग करते हुए LDA लागू करने का एक एंड-टू-एंड उदाहरण देखें। 

हम Seeds डेटासेट का उपयोग करेंगे, जिसे UCI लाइब्रेरी और Kaggle—दोनों से डाउनलोड किया जा सकता है। इस डेटासेट में तीन अलग-अलग गेहूँ की किस्मों से संबंधित गेहूँ के दानों के माप शामिल हैं। 

स्टेप 1: लाइब्रेरी आयात करें और डेटा लोड करें

सबसे पहले, हम आवश्यक लाइब्रेरी आयात करेंगे और अपना डेटासेट लोड करेंगे:

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.discriminant_analysis import LinearDiscriminantAnalysis
from sklearn.metrics import classification_report, confusion_matrix, accuracy_score

# Load the seeds dataset
file_path = "seeds_dataset.txt"
column_names = ['area', 'perimeter', 'compactness', 'kernel_length',
               'kernel_width', 'asymmetry', 'groove_length', 'variety']

# Read the data with whitespace delimiter (space or tab)
seeds_df = pd.read_csv(file_path, sep='\s+', header=None, names=column_names)

print(f"Dataset shape: {seeds_df.shape}")
seeds_df.head()

हम नीचे लोड किए गए डेटासेट की पहली 5 पंक्तियाँ देखेंगे:

Seeds डेटासेट का अवलोकन। (चित्र: लेखक)

स्टेप 2: डेटा प्री-प्रोसेसिंग

आइए डेटा संरचना का अन्वेषण करें और उसे LDA विश्लेषण के लिए तैयार करें:

# Check for missing values
print(f"Missing values: {seeds_df.isnull().sum().sum()}")

# Check class distribution
print("\nClass distribution:")
print(seeds_df['variety'].value_counts())

# Separate features and target
X = seeds_df.drop('variety', axis=1)
y = seeds_df['variety']

# Split the data into training and testing sets
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3,
                                                   random_state=42, stratify=y)

# Standardize the features
scaler = StandardScaler()
X_train_scaled = scaler.fit_transform(X_train)
X_test_scaled = scaler.transform(X_test)

यहाँ, हम जाँच रहे हैं कि डेटासेट में कोई मिसिंग वैल्यू तो नहीं है और प्रत्येक श्रेणी में कितने उदाहरण हैं। फिर, हम इनपुट और लेबल अलग करके, डेटा को ट्रेनिंग और टेस्ट भागों में बाँटकर, तथा इनपुट मानों को मानकीकृत करके तैयारी करते हैं ताकि सभी फीचर्स समान स्केल पर आ जाएँ।

डेटा प्री-प्रोसेसिंग। (चित्र: लेखक)

हम देखते हैं कि कोई मिसिंग वैल्यू नहीं है, और क्लास डिस्ट्रीब्यूशन समान है।

स्टेप 3: डायमेंशनलिटी रिडक्शन के लिए LDA लागू करना

अब हम अपने डेटा की डायमेंशनलिटी घटाते हुए क्लास की पृथकता बनाए रखने के लिए LDA लागू करेंगे:

# Create and fit LDA model
lda = LinearDiscriminantAnalysis(n_components=2)
X_train_lda = lda.fit_transform(X_train_scaled, y_train)
X_test_lda = lda.transform(X_test_scaled)

# Print explained variance ratio
print("Explained variance ratio:", lda.explained_variance_ratio_)
print("Cumulative explained variance:", np.cumsum(lda.explained_variance_ratio_))

हम ऐसा मॉडल बना रहे हैं जो हमारे डेटा में अलग-अलग श्रेणियों को अलग करने के लिए सर्वश्रेष्ठ दिशाएँ ढूंढे। डेटा को दो नए फीचर्स तक घटाकर (क्योंकि हमारे पास तीन श्रेणियाँ हैं), हम उन्हें अलग करने के लिए सबसे महत्वपूर्ण पैटर्न संरक्षित रखते हैं।

आउटपुट इस प्रकार है:

LDA वैरिएंस परिणाम। (चित्र: लेखक)

यह आउटपुट दिखाता है कि LDA द्वारा बनाए गए दो नए फीचर्स क्लासों को अलग करने वाली जानकारी का कितना हिस्सा कैप्चर करते हैं:

• Explained variance ratio: इसका अर्थ है कि पहला LDA कॉम्पोनेंट क्लासों में भेद करने के लिए आवश्यक जानकारी का लगभग 67.7% कैप्चर करता है, जबकि दूसरा कॉम्पोनेंट शेष 32.3% कैप्चर करता है।
• Cumulative explained variance: दोनों मिलकर मूल डेटा में क्लास-पृथकता से संबंधित 100% जानकारी कैप्चर करते हैं। यह अपेक्षित है क्योंकि हमारे पास 3 क्लास हैं, और LDA अधिकतम 2 उपयोगी दिशाएँ देता है।

स्टेप 4: LDA ट्रांसफॉर्मेशन का विज़ुअलाइज़ेशन

आइए देखें कि LDA हमारा डेटा कैसे ट्रांसफॉर्म करता है और क्लासों को कैसे अलग करता है:

fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(14, 6))

# Plot the first two original features
ax1.scatter(X_train_scaled[:, 0], X_train_scaled[:, 1],
           c=y_train, cmap='viridis', alpha=0.7, edgecolor='k')
ax1.set_xlabel('Area (standardized)')
ax1.set_ylabel('Perimeter (standardized)')
ax1.set_title('Original Feature Space (First Two Features)')
ax1.grid(True, alpha=0.3)

# Plot LDA-transformed data
scatter = ax2.scatter(X_train_lda[:, 0], X_train_lda[:, 1],
                     c=y_train, cmap='viridis', alpha=0.7, edgecolor='k')
ax2.set_xlabel('First Linear Discriminant')
ax2.set_ylabel('Second Linear Discriminant')
ax2.set_title('LDA-Transformed Space')
ax2.grid(True, alpha=0.3)

plt.colorbar(scatter, ax=ax2, label='Wheat Variety')
plt.tight_layout()
plt.show()

ऊपर का कोड दो साथ-साथ चार्ट बनाता है ताकि हम डायमेंशनलिटी रिडक्शन तकनीक लागू करने से पहले और बाद में डेटा कैसा दिखता है, यह तुलना कर सकें, जैसा नीचे दिखाया गया है:

LDA विज़ुअलाइज़ेशन। (चित्र: लेखक)

पहला चार्ट दो मापे गए फीचर्स (एरिया और पेरिमीटर) का उपयोग कर मूल डेटा दिखाता है, ताकि हम देख सकें कि श्रेणियाँ स्वाभाविक रूप से कितनी अलग हैं। दूसरा चार्ट डेटा को उन सबसे सूचनाप्रद दिशाओं में ट्रांसफॉर्म करने के बाद दिखाता है जो श्रेणियों को अलग करने में सहायक हैं। एक कलरबार जोड़ा गया है जो बताता है कि कौन-सा रंग किस गेहूँ की किस्म को दर्शाता है।

स्टेप 5: क्लासिफिकेशन के लिए LDA का उपयोग

LDA को सीधे एक क्लासिफायर के रूप में भी उपयोग किया जा सकता है। 

आइए इसे लागू करें:

# Create LDA classifier
lda_classifier = LinearDiscriminantAnalysis()
lda_classifier.fit(X_train_scaled, y_train)

# Make predictions
y_pred = lda_classifier.predict(X_test_scaled)

# Calculate accuracy
accuracy = accuracy_score(y_test, y_pred)
print(f"Classification Accuracy: {accuracy:.4f}")

# Print classification report
print("\nClassification Report:")
print(classification_report(y_test, y_pred))

हम ट्रेनिंग डेटा के आधार पर गेहूँ की विभिन्न श्रेणियों को पहचानने के लिए एक मॉडल प्रशिक्षित कर रहे हैं। फिर हम नए, अनदेखे उदाहरणों पर इसके प्रदर्शन को समग्र सटीकता और प्रत्येक श्रेणी के पूर्वानुमान की गुणवत्ता से जाँचते हैं।

हमें निम्नलिखित आउटपुट दिखाई देता है:

LDA क्लासिफिकेशन परिणाम। (चित्र: लेखक)

मॉडल ने लगभग 92% बार गेहूँ की किस्म को सही ढंग से भविष्यवाणी किया, जिसे अच्छा प्रदर्शन माना जा सकता है। 

इस उदाहरण ने दिखाया कि यद्यपि LDA आमतौर पर डायमेंशनलिटी रिडक्शन के लिए उपयोग होता है, यह प्रत्येक क्लास के प्रायिकता वितरण को मॉडल कर और नई प्रविष्टियों को सर्वाधिक संभावना वाली क्लास में असाइन कर एक क्लासिफायर की तरह भी काम कर सकता है।

कोड और विज़ुअलाइज़ेशन के साथ LDA बनाम PCA की तुलना

प्रिंसिपल कंपोनेंट एनालिसिस एक अन्य लोकप्रिय डायमेंशनलिटी रिडक्शन तकनीक है जो डेटा में सर्वाधिक वैरिएंस की दिशाएँ खोजती है। 

आइए अपने पहले के उदाहरण का विस्तार कर LDA की तुलना PCA से करें:

from sklearn.decomposition import PCA

# Apply PCA with 2 components
pca = PCA(n_components=2)
X_train_pca = pca.fit_transform(X_train_scaled)
X_test_pca = pca.transform(X_test_scaled)

# Create comparison visualization
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(14, 6))

# Plot PCA results
scatter1 = ax1.scatter(X_train_pca[:, 0], X_train_pca[:, 1],
                      c=y_train, cmap='viridis', alpha=0.7, edgecolor='k')
ax1.set_xlabel('First Principal Component')
ax1.set_ylabel('Second Principal Component')
ax1.set_title(f'PCA Transformation\nExplained Variance: {pca.explained_variance_ratio_.sum():.2%}')
ax1.grid(True, alpha=0.3)

# Plot LDA results
scatter2 = ax2.scatter(X_train_lda[:, 0], X_train_lda[:, 1],
                      c=y_train, cmap='viridis', alpha=0.7, edgecolor='k')
ax2.set_xlabel('First Linear Discriminant')
ax2.set_ylabel('Second Linear Discriminant')
ax2.set_title(f'LDA Transformation\nExplained Variance: {lda.explained_variance_ratio_.sum():.2%}')
ax2.grid(True, alpha=0.3)

plt.colorbar(scatter1, ax=ax1, label='Wheat Variety')
plt.colorbar(scatter2, ax=ax2, label='Wheat Variety')
plt.tight_layout()
plt.show()

हमें निम्नलिखित प्लॉट दिखाई देता है:

LDA बनाम PCA तुलना। (चित्र: लेखक)

बायाँ चार्ट PCA का उपयोग करते हुए डेटा दिखाता है, जो डेटा में समग्र रूप से सर्वाधिक वैरिएंस पकड़ने वाली दिशाएँ खोजता है। दायाँ चार्ट LDA का परिणाम दिखाता है, जो गेहूँ की श्रेणियों को सबसे अच्छी तरह अलग करने वाली दिशाएँ खोजता है।

हमारे इम्प्लीमेंटेशन परिणामों और explained variance मानों के आधार पर, हम निष्कर्ष निकाल सकते हैं कि जबकि दोनों अच्छा प्रदर्शन करते हैं, इस तरह की क्लासिफिकेशन समस्याओं में LDA आमतौर पर समूहों के बीच अधिक स्पष्ट पृथकता बनाता है।

LDA को अन्य डायमेंशनलिटी रिडक्शन तकनीकों से जो अलग करता है, वह इसका सुपरवाइज्ड स्वभाव है। जहाँ PCA क्लास लेबल पर ध्यान दिए बिना केवल डेटा की वैरिएंस पर विचार करता है, वहीं LDA स्पष्ट रूप से क्लास जानकारी का उपयोग सबसे अधिक भेदकारी दिशाएँ खोजने के लिए करता है। यह तब आदर्श है जब उच्च-आयामी डेटा में क्लास की पृथकता समग्र वैरिएंस के संरक्षण से अधिक महत्वपूर्ण हो।

इस प्रकार, PCA का उपयोग तब किया जा सकता है जब:

• हमें अनसुपरवाइज्ड डायमेंशनलिटी रिडक्शन चाहिए
• क्लास लेबल उपलब्ध नहीं हैं या प्रासंगिक नहीं हैं
• हमें उच्च-आयामी डेटा का विज़ुअलाइज़ेशन करना है
• हमें शोर और संगणनात्मक जटिलता घटानी है

इसी प्रकार, LDA का उपयोग तब करें जब:

• हमारे पास लेबल्ड डेटा हो और हम क्लास सेपरेशन को अधिकतम करना चाहते हों
• प्रति क्लास सैंपल की संख्या पर्याप्त हो (आम तौर पर > 30)
• हमें डायमेंशनलिटी रिडक्शन और क्लासिफिकेशन—दोनों चाहिए
• क्लास भेदभाव समग्र वैरिएंस को संरक्षित रखने से अधिक महत्वपूर्ण हो

LDA के फायदे और नुकसान

किसी भी एल्गोरिथ्म की तरह, LDA की भी खूबियाँ और सीमाएँ हैं, जिनका उपयोग से पहले ध्यान रखना चाहिए।

फायदे

• सुपरवाइज्ड लर्निंग का लाभ: PCA के विपरीत, LDA सबसे भेदकारी फीचर्स खोजने के लिए क्लास लेबल जानकारी का उपयोग करता है, जिससे यह क्लासिफिकेशन कार्यों के लिए अधिक प्रभावी बनता है।
• क्लासिफिकेशन सहित डायमेंशनलिटी रिडक्शन: डायमेंशन घटाने के साथ एक बिल्ट-इन क्लासिफायर का भी काम करता है।
• कम्प्यूटेशनल दक्षता: केवल eigenvalue decomposition की आवश्यकता होती है, जिससे यह मध्यम आकार के डेटासेट पर भी तेज़ है।
• व्याख्येयता: लिनीयर डिस्क्रिमिनेंट मूल फीचर्स के वेटेड संयोजनों के रूप में व्याख्यायित किए जा सकते हैं।
• Gaussian वितरणों के लिए सर्वोत्तम: जब क्लास समान कोवेरिएंस मैट्रिक्स के साथ Gaussian वितरणों का पालन करती हैं, यह सर्वोत्तम लिनीयर क्लासिफायर प्रदान करता है।
• हाइपरपैरामीटर ट्यूनिंग की जरूरत नहीं: कई मशीन लर्निंग एल्गोरिथ्म के विपरीत, बुनियादी इम्प्लीमेंटेशन के लिए LDA में हाइपरपैरामीटर ट्यून करने की आवश्यकता नहीं होती।

नुकसान

• केवल लिनीयर सीमाएँ: फीचर्स और क्लासों के बीच गैर-रेखीय संबंधों को नहीं पकड़ सकता।
• Gaussian और समान कोवेरिएंस मान्यताएँ: यह मानता है कि प्रत्येक क्लास बहु-चर Gaussian वितरण का पालन करती है, जो वास्तविक डेटा में आवश्यक नहीं कि सत्य हो; और यह भी कि सभी क्लासों की कोवेरिएंस मैट्रिक्स समान हैं, जो व्यावहारिक रूप से अक्सर उल्लंघित होता है।
• सीमित कॉम्पोनेंट: अधिकतम (n_classes — 1) डिस्क्रिमिनेंट कॉम्पोनेंट निकाले जा सकते हैं, जो बहु-क्लास समस्याओं में विज़ुअलाइज़ेशन के लिए अपर्याप्त हो सकते हैं।
• आउटलायर्स और मल्टीकोलिनियरिटी के प्रति संवेदनशील: माध्य और कोवेरिएंस की गणनाएँ आउट्लायर के प्रति संवेदनशील होती हैं, और जब फीचर्स अत्यधिक सह-सम्बद्ध होते हैं तो एल्गोरिथ्म कमजोर प्रदर्शन कर सकता है।
• सैंपल आकार की आवश्यकताएँ: कोवेरिएंस मैट्रिक्स का विश्वसनीय अनुमान लगाने के लिए प्रति क्लास पर्याप्त सैंपल चाहिए।

इन ट्रेड-ऑफ्स को समझना हमें यह निर्धारित करने में मदद करता है कि मौजूदा समस्या पर LDA सबसे उपयुक्त एल्गोरिथ्म है या नहीं।

निष्कर्ष

इस लेख में लिनीयर डिस्क्रिमिनेंट एनालिसिस का परिचय दिया गया—एक सुपरवाइज्ड तकनीक जो between-class और within-class scatter के अनुपात को अधिकतम कर डायमेंशनलिटी रिडक्शन को क्लासिफिकेशन के साथ जोड़ती है।

हमने LDA की गणितीय नींवों का अन्वेषण किया, उसे Python में लागू किया, और PCA से तुलना कर समझा कि कब कौन-सी तकनीक अधिक उपयुक्त है। हमने LDA के वास्तविक दुनिया में उपयोग भी सीखे और इसके फायदे व सीमाओं पर चर्चा की।

LDA और संबंधित मशीन लर्निंग तकनीकों की समझ गहरी करने के लिए, हमारे Supervised Machine Learning in Python ट्रैक में नामांकन पर विचार करें, जहाँ आप विभिन्न एल्गोरिथ्म और उनके इम्प्लीमेंटेशन में दक्ष होंगे; या हमारे Dimensionality Reduction in Python कोर्स में शामिल हों ताकि सुपरवाइज्ड और अनसुपरवाइज्ड दोनों प्रकार की डायमेंशन रिडक्शन तकनीकों में गहराई से जाएँ।