1.什么是线性判别分析法（FDA）？

线性判别分析是一种对于监督数据降维的经典方法。通过对数据标准化，求得类内散度矩阵和类间散度矩阵，寻找一个投影矩阵W，使得同类样例的投影点尽可能接近，异类样例的投影点尽可能远离，然后根据新的投影点来判别分类。所以可以利用LDA来减少样本点的维数。

2.什么是多分类学习？

多分类学习基本思路是将若干个多分类任务拆解成多个二分类任务，对每一个二分类任务训练一个分类器进行求解，这些分类器（classifier）的预测结果合成以获得最终多分类结果。最经典的拆分方法有OvO（一对一），OvR（一对其余），MvM（多对多）。

3.什么是类别不平衡问题？（class imbalance）

类别不平衡问题是指多分类任务中不同类别样例数目差很大的情况。解决这个问题可以使用“再缩放”（rescaling），公式如下，其中y表达了实际上正例的可能性，m+表示正例数目，m-表示反例数目。

式1

如何解决训练集不是真实样本总体的无偏采样问题？（1）欠采样（undersampling）：去除一些反例使得正反例数目接近（2）过采样（oversampling）：通过插值增加一些正例使得正反例数目接近（3）阈值移动（threshold-moving） ：用原始的训练集得到的分类器进行学习，使用“式1”进行决策。