应用统计方法解决模式识别问题时，一再碰到的问题之一就是维数问题。在低维空间里解析上或计算上行得通的方法，在高维空间里往往行不通。因此，降低维数有时就会成为处理实际问题的关键。

问题描述：如何根据实际情况找到一条最好的、最易于分类的投影线，这就是Fisher判别方法所要解决的基本问题。

考虑把d维空间的样本投影到一条直线上，形成一维空间，即把维数压缩到一维。然而，即使样本在d维空间里形成若干紧凑的互相分得开的集群，当把它们投影到一条直线上时，也可能会是几类样本混在一起而变得无法识别。但是，在一般情况下，总可以找到某个方向，使在这个方向的直线上，样本的投影能分得开。下图可能会更加直观一点：

从d维空间到一维空间的一般数学变换方法：假设有一集合Г包含N个d维样本x1, x2, …, xN，其中N1个属于ω1类的样本记为子集Г1， N2个属于ω2类的样本记为子集Г2 。若对xn的分量做线性组合可得标量：
yn = wTxn, n=1,2,…,N

这样便得到N个一维样本yn组成的集合，并可分为两个子集Г1’和Г2’ 。

实际上，w的值是无关紧要的，它仅是yn乘上一个比例因子，重要的是选择w的方向。w的方向不同，将使样本投影后的可分离程度不同，从而直接影响的分类效果。因此，上述寻找最佳投影方向的问题，在数学上就是寻找最好的变换向量w*的问题。

Fisher准则函数的定义
几个必要的基本参量：

1.
在d维X空间

（1）各类样本的均值向量mi

 

（2）样本类内离散度矩阵Si和总样本类内离散度矩阵Sw

 

其中Sw是对称半正定矩阵，而且当N>d时通常是非奇异的。（半正定矩阵：特征值都不小于零的实对称矩阵；非奇异矩阵：矩阵的行列式不为零）

（3）样本类间离散度矩阵Sb 

 

Sb是对称半正定矩阵。

2. 在一维Y空间

（1）各类样本的均值 

 

（2）样本类内离散度 和总样本类内离散度 

 

我们希望投影后，在一维Y空间中各类样本尽可能分得开些，即希望两类均值之差越大越好，同时希望各类样本内部尽量密集，即希望类内离散度越小越好。
Fisher准则函数定义

其中，是两类均值之差，是样本类内离散度。显然，应该使JF(w)的分子尽可能大而分母尽可能小，即应寻找使JF(w)尽可能大的w作为投影方向。但上式中并不显含w，因此须设法将JF(w)变成w的显函数。

由各类样本的均值可推出：

 

这样，Fisher准则函数JF(w)的分子可写成：

 

现在再来考察JF(w)的分母与w的关系：

 

因此，

 

将上述各式代入JF(w)，可得：

 

其中Sb为样本类间离散度矩阵，Sw为总样本类内离散度矩阵。

最佳变换向量w的求取

为求使取极大值时的w，可以采用Lagrange乘数法求解。令分母等于非零常数，即：

 

定义Lagrange函数为：

 

其中λ为Lagrange乘子。将上式对w求偏导数，可得：

 

令偏导数为零，有；

 

即

 

其中w就是JF(w)的极值解。因为Sw非奇异，将上式两边左乘，可得：

 

上式为求一般矩阵的特征值问题。利用的定义，将上式左边的写成：

 

其中为一标量，所以总是在向量的方向上。因此λw可写成：

 

从而可得：

 

由于我们的目的是寻找最佳的投影方向，w的比例因子对此并无影响，因此可忽略比例因子R/λ,有：

 

w是使Fisher准则函数JF(w)取极大值时的解，也就是d维X空间到一维Y空间的最佳投影方向。有了w，就可以把d维样本x投影到一维，这实际上是多维空间到一维空间的一种映射，这个一维空间的方向w相对于Fisher准则函数JF(w)是最好的。利用Fisher准则，就可以将d维分类问题转化为一维分类问题，然后，只要确定一个阈值T，将投影点yn与T相比较，即可进行分类判别。