A. 线性判别分析lda属不属于监督学习算法

是同一个东来西。
第一个是用于自然自语言分析的隐主题模型。LDA是一种文档主题生成模型，在1996年由Belhumeur引入模式识别和人工智能领域。
第二个线性判别式分析（Linear Discriminant Analysis），简称为LDA。也称为Fisher线性判别（Fisher Linear Discriminant，也称为一个三层贝叶斯概率模型，包含词、主题和文档三层结构。文档到主题服从Dirichlet分布，FLD），是模式识别的经典算法。
基本思想是将高维的模式样本投影到最佳鉴别矢量空间，以达到抽取分类信息和压缩特征空间维数的效果，投影后保证模式样本在新的子空间有最大的类间距离和最小的类内距离，即模式在该空间中有最佳的可分离性，主题到词服从多项式分布

B. Kernel LDA是监督学习方法还是非监督学习方法

1、机器学习按照方法来分类，可以分成四类，分别是：监督学习、无版监督学习、权半监督学习和强化学习。
2、监督学习针对有标签数据集，它通过学习出一个模型（其实就是一个函数）来拟合数据，按照模型（函数）的输出结果是否离散又可以分为两类，分别是：（1）输出结果为离散值，则为分类问题（常见的分类算法：KNN、贝叶斯分类器、决策树、SVM、神经网络、GBDT、随机森林等）；（2）输出结果为连续值，则为回归问题（有线性回归和逻辑回归两种）。
3、无监督学习针对没有标签的数据集，它将样本按照距离划分成类簇，使得类内相似性最大，类间相似性最小。通过观察聚类结果，我们可以得到数据集的分布情况，为进一步分析提供支撑。常见的聚类算法有K-means、高斯混合模型和LDA。

C. LDA与深度学习

首先，你要清楚你的目的是什么？
LDA是无监督的提取文档主题分布~可以自动提取几个关键字做为这个文档的主题，每个主题有一个概率值。
RNN/LSTM这类做时序模型好，做文本分类，还可以考虑CNN
但这些都是手段，你先要明白你的目的是什么？适应的场合是啥？

D. 机器学习 一 监督学习和无监督学习的区别

1、机器学习按照方法来分类，可以分成四类，分别是：监督学习、无监督学习、半监督学习和强化学习。
2、监督学习针对有标签数据集，它通过学习出一个模型（其实就是一个函数）来拟合数据，按照模型（函数）的输出结果是否离散又可以分为两类，分别是：（1）输出结果为离散值，则为分类问题（常见的分类算法：KNN、贝叶斯分类器、决策树、SVM、神经网络、GBDT、随机森林等）；（2）输出结果为连续值，则为回归问题（有线性回归和逻辑回归两种）。
3、无监督学习针对没有标签的数据集，它将样本按照距离划分成类簇，使得类内相似性最大，类间相似性最小。通过观察聚类结果，我们可以得到数据集的分布情况，为进一步分析提供支撑。常见的聚类算法有K-means、高斯混合模型和LDA。

E. 线性判别分析lda是有监督学习算法吗

用eviews计算，看各参数的T检验及F检验是否通过，如果F检验通过，但是有两个以上内T检验不通过，容就有很大的可能是多重共线性了。还有就是看模型中所用的变量之间会不会明显相关，就像，货币供应量和工资之类的。可以尝试直接联立两个变量的方差，看变量间的R平方是不是很接近1，越接近1，说明多重共线性越明显。希望对你有用

F. fisher准则函数和lda有什么区别

LDA的全称是Linear Discriminant Analysis（线性判别分析），是一种supervised learning。有些资料上也称为是Fisher’s Linear Discriminant，因为它被Ronald Fisher发明自1936年，Discriminant这次词我个人的理解是，一个模型，不需要去通过概率的方法来训练、预测数据，比如说各种贝叶斯方法，就需要获取数据的先验、后验概率等等。LDA是在目前机器学习、数据挖掘领域经典且热门的一个算法，据我所知，网络的商务搜索部里面就用了不少这方面的算法。

主成分分析（PCA）与LDA有着非常近似的意思，LDA的输入数据是带标签的，而PCA的输入数据是不带标签的，所以PCA是一种unsupervised learning。LDA通常来说是作为一个独立的算法存在，给定了训练数据后，将会得到一系列的判别函数（discriminate function），之后对于新的输入，就可以进行预测了。而PCA更像是一个预处理的方法，它可以将原本的数据降低维度，而使得降低了维度的数据之间的方差最大。
方差这个东西是个很有趣的，有些时候我们会考虑减少方差（比如说训练模型的时候，我们会考虑到方差-偏差的均衡），有的时候我们会尽量的增大方差。方差就像是一种信仰（强哥的话），不一定会有很严密的证明，从实践来说，通过尽量增大投影方差的PCA算法，确实可以提高我们的算法质量。

G. LDA是什么意思

LDA就是一种文档主题生成模型，也叫三层贝叶斯概率模型，包含文档，主题，词三个层面，文档到主题服从狄利克雷分布，主题到词服从多项式分布。它是一种无监督机器学习技术，用来挖掘语料库、大规模文档集中潜藏的主题信息。

H. 线性判别分析lda是有监督学习吗

是同抄一个东西。
第一个是用袭于自然语言分析的隐主题模型。LDA是一种文档主题生成模型，在1996年由Belhumeur引入模式识别和人工智能领域。
第二个线性判别式分析（Linear Discriminant Analysis），简称为LDA。也称为Fisher线性判别（Fisher Linear Discriminant，也称为一个三层贝叶斯概率模型，包含词、主题和文档三层结构。文档到主题服从Dirichlet分布，FLD），是模式识别的经典算法。
基本思想是将高维的模式样本投影到最佳鉴别矢量空间，以达到抽取分类信息和压缩特征空间维数的效果，投影后保证模式样本在新的子空间有最大的类间距离和最小的类内距离，即模式在该空间中有最佳的可分离性，主题到词服从多项式分布

I. 有监督学习和无监督学习的区别

机器学习任务根据训练样本是否有label，可以分为监督学习和无监督学习
监督学习的训练样本有label，主要是学习得到一个特征空间到label的映射，如分类、回归等
无监督学习的训练样本没有label，主要是发现样本的内部结构，如聚类、降维、可视化等