对于两类的样本集合，向不同的方向投影，产生的数据点的类别可分程度是不同的，Fisher线性判别分析法寻找的是使得两类数据最好的分开的投影方向。
举一反三
- 下面关于fisher线性判别准则的说法中错误的是 A: fisher线性判别方法可以将样本从多维空间投影到一维空间 B: 将样本从多维空间向一维空间投影的方向是不唯一的。 C: 经过fisher准则投影后得到的最佳投影方向就是投影后两类样本的分类面 D: 好的投影方向应该使不同类别的样本均值之差尽量大，类内的样本尽量聚集。
- Fisher线性判别中分类直线满足（） A: 不同类别的点在此直线上的投影不能分开 B: 相同类别的点在此直线上的投影分开 C: 不同类别的样本点在此直线上的投影尽可能的被分开 D: 相同类别的点在此直线上的投影被分开
- Fisher线性判别中分类直线满足（） A: 不同类别的点在此直线上的投影不能分开 B: 相同类别的点在此直线上的投影分开 C: 不同类别的样本点在此直线上的投影尽可能的被分开 D: 相同类别的点在从直线上的投影被分开
- 在用Fisher判别准则的判别分析方法进行两类判别时，只有将两类的数据投影到直线Ⅰ上，两类重叠部分显著减小，直线Ⅰ上所代表的两个变量的线性组合，就可看作是线性判别函数。
- Fisher判别是寻找合适的投影方向，将样本投影在该方向上，使得投影（ ） </p></p>