Analyse discriminante, projet

Bonjour,

Quelle différence faite vous entre l'analyse canonique discriminante et l'analyse discriminante linéaire ?

* Je connais bien la dernière technique ( l'analyse discriminante linéaire ) repose sur des hypothèses probabilistes:
- dans LDA on suppose que nos données sont distribuées selon une gaussiennes dont la moyenne dépends de la catégorie/label de la variable cible et dont la variance est la même indépendemment du label de nos données.
- l'analyse discriminante de Fisher est encore plus générale. On suppose que l'on connait uniquement les variances et moyennes de nos données catégorielles sans préciser un type de distribution et on cherche la direction discriminante optimale au sens où elle maximise la variance interclasse et minimise la variance intraclasse. (ces deux approches conincident dans certains cas).

* En revanche je en connais pas bien l'ACD or on me demande de faire une synthèse de toutes les méthodes évoquées (pour celles ci on a juste évoqué son nom) en cours. Voici ce que j'ai compris: il s'agit de trouver les combinaisons linéaires de variables qui permettent de séparer le mieux possible les k catégories.

On pourrait donc penser qu'il s'agit d'un prétraitement qui serait utile avant LDA: en choisissant une bonne combinaison de variables on sépare "mieux" les données et on aura donc plus de facilités à trouver une frontière de décision linéaire.
- Mais je me dit qu'intuitivement, plus on a de variables plus nos données sont facilement séparables (en augmentant la dimension de l'espace dans lequel on vit on gagne en séparabilité (c'est d'ailleurs le principe des algos à noyaux et fonction de redescription). Donc c'est assez contre-intuitif.

Je doute donc d'avoir bien compris l'objectifde l' ACD.