正则化判别分析典则判别函数和fisher判别函数
    典则判别函数和Fisher判别函数是模式分类中常用的两种算法。它们都是通过选择合适的决策边界来对数据进行分类。但是它们的实现方式和应用场景有所不同。
    典则判别函数是一种基于贝叶斯分类规则的判别函数。它将数据集分为多个类别，并计算每个类别的先验概率。在观察到新的数据时，典则判别函数将计算各类别的后验概率并选择概率最大的类别作为分类结果。这种算法相对简单，但需要事先知道每个类别的先验概率。
    Fisher判别函数则是一种基于判别分析的算法，它用于确定分类数据的最佳线性投影。这个投影可以最大化类别之间的差异性，同时最小化类别内部的差异性。因此，Fisher判别函数在处理大量特征或类别未知时效果更好。它可以用于二分类和多分类问题，并且可以通过聚类算法来确定类别数量。
    总体而言，典则判别函数是一种简单而直接的方法，而Fisher判别函数则更适合于处理高维数据和未知类别的情况。但无论是哪种算法，在实际应用中都需要根据具体的问题选择合适的算法，并根据数据集进行调整。

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。