Phân tích phân biệt tuyến tính (LDA) là một phương pháp thống kê được sử dụng để phân loại một tập hợp các điểm dữ liệu thành các nhóm được xác định trước. Nó được sử dụng trong nhiều lĩnh vực khác nhau như thị giác máy tính, xử lý hình ảnh, nhận dạng mẫu, di truyền, tài chính, khoa học quản lý, khoa học xã hội, trí tuệ nhân tạo và tin sinh học. Phương pháp này được Ronald Fisher phát triển vào năm 1936 và là một thuật toán học có giám sát. Nó hoạt động bằng cách tìm ra sự tách biệt tối đa giữa các lớp dữ liệu khác nhau và có thể được sử dụng để phân biệt giữa hai hoặc nhiều lớp.
Phân tích phân biệt tuyến tính dựa trên giả định rằng dữ liệu đến từ phân phối chuẩn (Gaussian) và bao gồm nhiều tính năng hoặc đặc điểm của dữ liệu có thể được sử dụng để phân loại chúng thành các loại khác nhau. Phương pháp này tạo ra sự kết hợp tuyến tính của các biến đầu vào (tính năng) và sử dụng bề mặt phân tách tuyến tính để dự đoán. Sự kết hợp tuyến tính này có thể được sử dụng để đo mức độ phân loại một điểm dữ liệu cụ thể thành một trong các lớp được xác định trước.
Phương pháp này được sử dụng trong nhiều ứng dụng khác nhau. Nó được sử dụng trong các hệ thống nhận dạng khuôn mặt để phân biệt những người khác nhau, chẩn đoán y tế để phân loại bệnh, phát hiện gian lận thẻ tín dụng và phát hiện đối tượng trong thị giác máy tính. Nó cũng được sử dụng cho các ứng dụng tiếp thị, chẳng hạn như phân khúc khách hàng và phân tích giỏ hàng thị trường.
Phân tích phân biệt tuyến tính tương đối đơn giản để hiểu và thực hiện. Nó có hiệu quả tính toán và linh hoạt để sử dụng trong các loại dữ liệu khác nhau. Phương pháp này đòi hỏi kiến thức về đại số tuyến tính và phân bố xác suất để hiểu cách thực hiện nó.
