【Matlab】MATLAB教程：线性判别分析LDA及分类特征提取实战（基于lda(data,label)）

MATLAB教程：线性判别分析LDA及分类特征提取实战（基于lda(data,label)）

本文基于MATLAB R2020b版本编写（兼容R2018及以上所有版本），聚焦数据分析、机器学习领域最常用的监督学习降维与分类算法——线性判别分析（Linear Discriminant Analysis，简称LDA）。核心围绕MATLAB内置lda函数，以最典型的调用形式lda(data,label)为核心案例，打破“LDA抽象、分类特征提取难上手”的壁垒，从理论铺垫、函数详解、基础案例到实战应用，层层递进、重点突出。全文严格控制字数在5000字左右，杜绝冗余表述，所有代码均经过实测验证，可直接复制运行，兼顾新手入门与工程实战需求，帮助读者快速掌握LDA的核心逻辑与实操方法，轻松实现分类特征提取与数据降维。

一、核心基础：LDA的理论铺垫（新手必看）

线性判别分析（LDA）是一种经典的监督学习算法，核心功能兼具数据降维与分类特征提取，广泛应用于模式识别、图像处理、数据挖掘等领域。与无监督的PCA（主成分分析）不同，LDA利用样本的标签信息，通过线性变换将高维数据映射到低维空间，同时最大化类间差异、最小化类内差异，最终提取出最具判别力的分类特征，为后续分类任务提供支撑。

在学习MATLAB中lda(data,label)函数实操前，需先掌握LDA的核心定义、逻辑与优势，明确“分类特征提取的本质”“lda(data,label)中两个参数的含义”，为后续实操奠定坚实基础，避免因理论模糊导致实操踩坑。

1.1 LDA的核心定义与核心目标

对于m×n阶数据集矩阵data（m为样本数，n为特征数），以及m×1阶标