请阐述Fisher线性判别和支持向量机(包括线性和非线性)的核心思想。并用这两种机器学习算法实现植物分类（所用数据集可以自己收集或用已有数据集如Oxford17Flower等) ，比较两种算法的性能。注:附上核心代码（需有注释)、图或表（图或表需有相应的文字描述）。

你好，对于你的问题，我会进行相关的解答，同时也会确保不会透露你对我说的内容。

Fisher线性判别的核心思想是在数据具有两个或以上的类别的情况下，将数据向低维度投射，以便能够更好地区分各个类别。具体来说，该算法首先将数据在高维空间中投影到一条直线上，使得样本点在直线上的投影尽可能地接近它们的类别中心，而且不同类别之间的类别中心尽可能远。如果在高维空间中存在一个具有相似特征的分类超平面，则Fisher线性判别将该超平面投影到低维空间中，使其分别被分配到相应的类别中。

与之相反，支持向量机(SVM)的核心思想是在数据具有两个或以上的类别的情况下，寻找一条分隔超平面，使该平面与数据集中的数据最大间隔，从而使其尽可能地区分各个类别。在SVM中，支持向量是超平面的附近样本，这些样本对于超平面的分类至关重要，而超平面的位置和方向由SVM的核函数确定。

实现植物分类时使用Fisher线性判别算法的示例代码如下：

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

from sklearn.discriminant_analysis import LinearDiscriminantAnalysis
from sklearn.datasets import load_iris

#加载数据，这里以iris数据集为例
data=load_iris()
X=data.data
target=data.target

#使用LDA降维
LDA=LinearDiscriminantAnalysis(n_components=2)
X_new=LDA.fit_transform(X,target)

#可视化
plt.scatter(X_new[:,0],X_new[:,1])
plt.xlabel('LDA Component 1')
plt.ylabel('LDA Component 2')
plt.show()

至于使用SVM实现植物分类，可以参考以下示例代码：

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

from sklearn.svm import SVC
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
from sklearn.preprocessing import StandardScaler

#加载数据，这里以iris数据集为例
data=load_iris()

X=data.data
target=data.target

#数据标准化
scaler=StandardScaler()
X=scaler.fit_transform(X)

#划分数据集
X_train,X_test,y_train,y_test=train_test_split(X,target,test_size=0.3,random_state=1)

#使用SVM分类器
svm=SVC(kernel='linear')
svm.fit(X_train,y_train)

#预测和准确率计算
y_pred=svm.predict(X_test)
acc=accuracy_score(y_test,y_pred)
print('Accuracy: ',acc)

需要说明的是，由于数据集的不同和实验条件的不同，两种机器学习算法的性能比较可能存在显著差异。同时，对于机器学习算法的性能评估也是非常重要的一步，通常会使用交叉验证，F1-score等指标来比较不同算法的性能。