数据构成

本章目标

1. 明确本仓库 LDA 数据来自 DimensionalityData.lda() 加载的 Wine 真实数据集。
2. 明确特征列与 label 在当前流水线中的角色差异——这是有监督降维，label 参与训练。
3. 明确标准化发生在什么位置，以及为什么它对基于散度矩阵的 LDA 至关重要。

重点方法与概念速览

名称	类型	作用
DimensionalityData.lda()	方法	加载 LDA 使用的 Wine 真实数据集
load_wine(as_frame=True)	函数	scikit-learn 提供的红酒化学成分数据集加载器
lda_data	变量	在 data_generation/__init__.py 中导出的 DataFrame
label	列名	3 分类标签——既参与 LDA 训练（定义类间/类内散度），也用于可视化着色
StandardScaler	类	对特征做 Z-score 标准化——散度矩阵计算的前置条件

1. 数据生成：DimensionalityData.lda()

当前 LDA 数据来自 DimensionalityData.lda()，底层调用 sklearn.datasets.load_wine()。

参数速览

适用函数：load_wine(as_frame=True)

参数名	类型	说明	示例取值
as_frame	bool	是否返回带列名的 DataFrame。当前设为 True	True、False
返回值	Bunch 或 (DataFrame, Series)	as_frame=True 时返回含 frame（DataFrame）和 target（Series）的 Bunch 对象	—

示例代码

data = load_wine(as_frame=True)
df = data.frame.copy().rename(columns={"target": "label"})

理解重点

• Wine 数据集是 UCI 经典真实数据集——178 个红酒样本，13 种化学成分特征，3 个葡萄品种类别。
• 标签列在源码中被统一重命名为 label——这使降维分册中的数据接口更一致（PCA 和 LDA 都使用此命名）。
• 与 PCA 使用的 make_classification 合成数据不同，LDA 使用真实数据——类别差异明显，适合展示监督降维的判别效果。

2. 特征列与 label 的角色

参数速览

参数名	类型	说明	示例取值
X	DataFrame，形状 $(178,13)$	含 13 个连续特征的特征矩阵，列名为 alcohol、malic_acid、ash 等	data.drop(columns=["label"])
y	ndarray，形状 $(178,)$	类别标签 $y_i\in \{0,1,2\}$——参与 LDA 训练，定义类间/类内散度结构	data["label"].values

示例代码

X = data.drop(columns=["label"])
y = data["label"].values

理解重点

• label 参与 LDA 的 fit()——它被用于计算各类均值 ${\mathit{\mu }}_k$、类内散度 ${\mathbf{S}}_W$ 和类间散度 ${\mathbf{S}}_B$。
• 这与 PCA 分册有根本区别——PCA 的 label 仅用于可视化着色，不参与训练。LDA 的 label 既参与训练，也用于着色。
• Wine 数据恰好有 $K=3$ 个类别——这意味着 LDA 最多提取 $K-1=2$ 个判别方向，恰好可以完整展示在 2D 平面上。

3. 标准化

参数速览

适用 API：StandardScaler().fit_transform(X)

参数名	类型	说明	示例取值
X	DataFrame，形状 $(178,13)$	去掉 label 后的全量特征矩阵	X
返回值	ndarray	$z_{ij}=(x_{ij}-{\mu }_j)/{\sigma }_j$，均值为 0 标准差为 1	X_scaled

示例代码

scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)

理解重点

• LDA 依赖散度矩阵的计算——${\mathbf{S}}_W$ 和 ${\mathbf{S}}_B$ 的元素是平方和与叉积，对特征尺度高度敏感。
• Wine 数据的特征量纲差异巨大——alcohol 取值约 11-15，proline 取值约 278-1680。不标准化将使 proline 主导全部判别方向。
• 当前流水线没有 train/test split——直接在全量数据上 fit_transform。这是教学型简化，目标是展示整体判别结构而非评估泛化能力。

4. Wine 数据集特征清单

特征名	含义	典型量纲范围
alcohol	酒精含量	11.0 – 14.8
malic_acid	苹果酸	0.7 – 5.8
ash	灰分	1.4 – 3.2
alcalinity_of_ash	灰分碱度	10.6 – 30.0
magnesium	镁含量	70 – 162
total_phenols	总酚	0.98 – 3.88
flavanoids	黄酮类	0.34 – 5.08
nonflavanoid_phenols	非黄酮类酚	0.13 – 0.66
proanthocyanins	原花青素	0.41 – 3.58
color_intensity	颜色强度	1.3 – 13.0
hue	色调	0.48 – 1.71
od280/od315_of_diluted_wines	稀释酒 OD280/OD315	1.27 – 4.00
proline	脯氨酸	278 – 1680

理解重点

• 13 个特征中 proline 的量纲范围比 nonflavanoid_phenols 大约 3000 倍——不标准化的后果非常直观。
• 这三类分别对应意大利同一地区三种不同品种的葡萄酒——类别间化学成分确实存在系统差异，适合展示 LDA 的判别能力。

数据可视化

常见坑

1. 把 label 当成 PCA 那样仅用于着色的辅助列——LDA 中 label 是训练输入，定义散度结构。
2. 忽略标准化——Wine 数据特征量纲差异巨大，散度矩阵计算被 proline 等大尺度特征主导。
3. 期望当前流水线有 train/test split——当前实现为教学型简化，直接在全量数据上训练和投影。
4. 误以为可以训练 n_components=3 的 LDA——$K=3$ 类数据最多 2 个判别方向。

小结

• 当前 LDA 数据来自 load_wine(as_frame=True)：178 个样本 × 13 个连续特征 × 3 个类别。
• 数据流为：load_wine → DataFrame（13 特征 + label）→ 全量标准化。
• label 既参与训练（定义 ${\mathbf{S}}_W$ 和 ${\mathbf{S}}_B$）也参与可视化（着色）——这是有监督降维与无监督降维在数据处理上的根本差异。
• Wine 真实数据集类别差异明显、特征量纲丰富——是展示 LDA 判别能力的理想教学数据。