前文
一、線性判別分析的基本思想
“給定訓練樣例集，設法將樣例投影到一條直線上，使得同類樣例的投影點儘可能接近、異類樣例的投影點儘可能遠離；在對新樣本進行分析時，將其投影到同樣的這條直線上，再根據投影點的位置來確定新樣本的類別。”
書中的這段話總感覺缺了點什麼，缺的就是具體的判斷方法，究竟哪個位置纔算“正例”和“反例”的分界線呢？
首先，求出訓練集“正例”、“反例”的均值中心點。之後，過這兩個均值點的中點做LDA直線的垂線。那麼，這條垂線應該就是“正例”與“反例”分界的“超平面”。
二、程序運行結果
程序運行結果圖：
圖中，紅色的“+”表示“正例”樣本，綠色的“-”表示“反例”樣本；紅色的圓圈代表“正例”均值中心，綠色的源泉代表“反例”均值中心；藍色的直線爲LDA直線；紫色的直線爲LDA算法求得的正例、反例的分界線，也就是“超平面”。
三、結果分析
LDA算法求得的這個“超平面”的劃分效果並不好。圖中，正例均值中心在紫色直線右邊，因此右邊應該是程序經過學習後劃分的“正例”範圍，左邊爲“反例”範圍。
顯然，LDA算法在這個數據集的劃分正確率僅爲9/17（大約爲50%）。50%的正確率意味着什麼？假設數據集中17條數據正、反例的頻率能夠接近二者發生的概率（即假設好瓜、壞瓜出現的概率均爲50%左右），假設好瓜、壞瓜的出現相互獨立。這就是說，如果你在不知道任何信息的前提下，瞎蒙的正確率也能達到50%。所以，LDA算法在該數據集上根本沒有獲得任何有價值的信息。
這說明LDA算法只適用於線性可分的數據集，這點和“硬間隔”支持向量機十分類似。（事實上，二者也存在聯繫。之間聯繫將在以後介紹）
四、程序源碼
五、部分代碼修改
"""求取超平面分界線"""
x = (central_x_0 + central_x_1) / 2
y = (central_y_0 + central_y_1) / 2
k2 = w[1, 0] / w[0, 0]
b2 = y - k2 * x
line_density = linspace(0, 0.8, 10)
line_sugar = -(w[0, 0] / w[1, 0]) * line_density
line_boundary = k2 * line_density + b2
pyplot.plot(line_density, line_sugar,
c='blue', label='LDA_line', linewidth=1)
pyplot.plot(line_density, line_boundary, c='DarkMagenta', linewidth=1)