线性判别分析（LDA）（也是Fisher's Linear Discriminant，LDA是其推广）是一种通过线性投影矩阵乘法找到投影平面来分离数据的方法）。
它的主要限制是使用线性投影。
另一方面，它可以以有监督的方式使用。即它可以使用标签来找到最佳投影。

我在 MATLAB 中实现了 LDA，并与上一个问题中的 t-SNE 进行了比较。

LDA 监督降维：

t-SNE 的无监督降维：

可以看出，尽管 LDA 受到监督，但它无法与 t-SNE 结果竞争。尽管 LDA 在其他情况下可能非常有用（通常维度较少）。
例如，为了验证我的 LDA 实现，我使用了UCI 机器学习存储库 Wine 数据集。我得到以下结果：

该代码可在我的StackExchange Codes Signal Processing Q80949 GitHub 存储库中找到（查看SignalProcessing\Q80949文件夹）。

资源

我找到了一些关于监督降维的资源：

• 使用$ {L}_{1, 2} $ Norms的比率最小化的稳健线性判别分析。
• 监督降维。
• 监督线性降维方法：回顾、扩展和比较。
• 大数据的监督降维。
• 线性降维：调查、见解和概括。
• SciKit Learn - 流形学习。