相应的R实现为：
MASS包中的 lad() 函数，qda() 函数
lad(x, grouping, prior = proportions ,tol = 1.0e-4, method , CV = FALSE, nu, .....)
lad(formula, data, .... ,subset , na.action )
1）当对象为数据框data.frame时lda(x,grouping,prior = propotions,tol = 1.0e-4,method,CV = FALSE,nu,...)
2) 当对象为公式Formula时
lda(formula,data,...,subnet,na.action)
3) 当对象为矩阵Matrix时
lda(x,group,...,subnet,na.action)
线性判别方法（Linear Discriminant Analysis，简称LDA）是一种经典的线性学习方法，在二分类问题上因为最早由（Fisher）提出，亦称为“Fisher判别分析”。 （严格说来LDA与Fisher判别分析稍有不同，前者假设了各类样本的协方差矩阵相同且满秩）。
4.1.投影降维
LDA的思想非常朴素：给定训练设法将样例投影到一条直线上，使得同类的样例的投影点尽可能接近、异类样例的投影点尽可能远离；在对新样本进行分类时，将其投影到同样的这条直线上，再根据投影点的位置来确定新样本的类别。如下图是一个二维示意图：
上面二维示意图中的‘+’、‘-’分别代表正例和反例，椭圆表示数据簇的外轮廓，虚线表示投影，红色实心圆和红色实心三角形分别表示两类样本投影后的中心点。
以下先给出Fisher判别分析的步骤，以后会添加原理的内容。
