在分類問題中除了邏輯斯迴歸模型外,還有另一種常用的方法為線性判別分析(Linear discriminant analysis, LDA),主要概念是利用貝氏定理(Bayes theorem)的想法來進行分類。假設總共有K個類別,例如以下的式子:
在LDA中假設機率密度函數(pdf)服從多維度常態分佈(multivariate normal distribution, MVN),也就是假設每個類別中的解釋變數服從MVN,且要求每類之間的共變異數(covariace)一樣:
由這兩個假設後,可以比較特定兩個類別k, l的情況:
可以由大於0或小於0來判斷哪一個類別可能性較大,其判斷式為x的線性函數
LDA的判斷式與邏輯斯迴歸模型的形式非常相似,不過LDA針對每一類資料多了多維度常態分佈的假設。當每個類別資料經檢查或檢定後與常態相似且樣本數較小時,LDA表現會比邏輯斯迴歸更好,但一般來說邏輯斯迴歸模型因為假設較少,因此可能會更符合一般的情況。當決策邊界(用以分割資料來分類的邊線)為線性時,LDA與邏輯斯迴歸模型表現會不錯。決策邊界非線性時,QDA與Naive Bayes表現較好。然而,若決策邊界較複雜時,無母數(nonparametric)的KNN會有較佳的表現。