谱回归判别分析（SRDA）降维测试函数详解

谱回归判别分析（SRDA）不仅可以作为高效的分类器，还能作为强大的线性降维工具使用。它通过求解正则化回归问题得到判别投影矩阵，将高维数据映射到低维子空间中，通常降到类别数c-1维，最大化类间分离的同时压缩类内差异。在实际应用中，我们常常需要对新数据（测试集或未标记数据）进行相同的降维变换，本文要介绍的这个函数正是实现这一功能的轻量级测试工具。

函数功能概述

该函数的作用非常专注：使用训练好的SRDA模型，将输入数据投影到学习到的判别子空间中，得到降维后的表示。

• 输入：

  • fea：待降维的数据矩阵，每行代表一个样本。

  • model：由SRDA训练函数生成的模型结构体，包含投影矩阵等关键信息。

• 输出：

  • feaNew：降维后的数据矩阵（或cell数组，取决于模型类型）。

输出数据的维度通常为样本数 × (c-1)，其中c为训练时的类别数，这正是线性判别分析的理论上限。

代码逻辑详解

函数实现极其简洁，但考虑了实际使用中的两种常见情况：

1. 普通模式（非稀疏）

当训练时使用Ridge正则化或其他非Lasso方式时，模型中只有一个投影矩阵m