怎么将多维数据利用lda降到三维后，再用python数据可视化

将高维数据利用 LDA 降到三维后，我们同样可以使用三维散点图进行可视化。下面是一个示例代码，使用 scikit-learn 中的 LDA 和 matplotlib 和 mpl_toolkits.mplot3d 库绘制三维散点图：

from sklearn.discriminant_analysis import LinearDiscriminantAnalysis as LDA
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
import numpy as np

# 假设X为高维数据，y为对应的标签
X = ...
y = ...

# 使用LDA进行降维
lda = LDA(n_components=3)
X_3d = lda.fit_transform(X, y)

# 创建三维散点图
fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')

# 分别取出三个维度的数据
x1 = X_3d[:, 0]
x2 = X_3d[:, 1]
x3 = X_3d[:, 2]

# 绘制散点图
ax.scatter(x1, x2, x3, c=y)

# 设置坐标轴标签
ax.set_xlabel('LD1')
ax.set_ylabel('LD2')
ax.set_zlabel('LD3')

plt.show()

这段代码将高维数据通过 LDA 降维到三维，并将降维后的数据绘制成一个三维散点图，其中每个点的颜色表示其对应的标签。需要注意的是，LDA 的降维是有监督的，需要提供标签信息进行训练，因此需要确保标签信息正确并且不会泄露到测试数据中。