之前在文章[机器学习-Bayesian概念学习，简书]中介绍了概念学习，即将一个概念与这个概念包含所有实例的集合等同，通过属于这个集合的数据来学习这个集合可能是什么。也就是说，给定属于这个集合C的一些数据D，我们希望估计一个未知的x属于集合C的概率，换个角度看，也就是估计x属于C的概率和x属于C的补集的概率。假如我们考虑多个集合C1,...Ck，则指标1,...,k可以看做label，给定带label的数据D，估计x属于具体某一集合的概率，也就是估计它的label可能是哪个。这样，Bayesian概念学习可以用来处理机器学习中的分类问题。
而估计集合“长什么样子”和估计描述集合的参数是相同的。下面我们不妨设这些参数都是已知的，即省略了给定数据D来学习的过程，因为给高斯模型的参数加先验稍微复杂一点，以后有机会再细说。我们先来研究一下二维高斯模型下的二次判别和线性判别，quadratic discriminant analysis(QDA)&linear discriminant analysis(LDA)，关于高斯模型的一些基础可参见我的上一篇文章[数学基础-高斯模型，简书]。
对不同label的占比附加一个先验概率π，则在估计y(x)=c时的后验概率为
这个式子是Bayesian定理的直接应用，其中x可以取平面上的任意点。我们如果定义x点的label就是使得y(x)=c概率最大的c。根据结果可以将平面分成不同的区域，而不同区域的边界就是使得上式分子相等的x，即为||x-μ_c||_Σc=a||x-μ_e||_Σe，a是常数，这是一个二次方程，故解出来的边界是二次(quadratic)曲线，如下图所示。
图中的椭圆围成的中心点就是μ，而一个个椭圆就是等高线，黑色的边界就是二次方程的解，椭圆的稀疏不同代表Σ大小不同。
而当所有的Σ_c都相同时，
概率估计的分子指数项中可以将x^2提出来，即后面一项，剩下前面一项为Ax+a的形式，于是边界是Ax+a=Bx+b的解，即为直线。从之前一幅图的右图中可以看到，橙色的等高圆和绿色的等高圆表示二者的Σ分别有两个相同的特征值，于是它们两个之间的边界线为直线段。同时下面蓝色的椭圆表示Σ特征值不同，于是和橙绿的边界都是曲线。
这就是QDA和LDA命名的由来。
