LDA余下的步骤与PCA的步骤相似。不过，这里我们不对协方差矩阵做特征分解，而是求解矩阵的广义特征值：
在求得了特征对之后，我们按照降序对特征值进行排序：
熟悉线性代数的读者应该知道：d×d维协方差矩阵的秩最大为d-1，而且确实可以发现，我们只得到了两个非零特征值（实际得到的第3～13个特征值并非完全为零，而是趋近于0的实数，这个结果是由NumPy浮点运算导致的）。请注意，在极少的情况下可达到完美的共线性（所有样本的点落在一条直线上），这时协方差矩阵的秩为1，将导致矩阵只有一个含非零特征值的特征向量。
为了度量线性判别（特征向量）可以获取多少可区分类别的信息，与前面PCA小节中对累计方差的绘制类似，我们按照特征值降序绘制出特征对线性判别信息保持程度的图像。为了简便起见，我们在此使用了判定类别区分能力的相关信息discriminability。
从结果图像中可以看到，前两个线性判别几乎获取到了葡萄酒训练数据集中全部有用信息：
下面我们叠加这两个判别能力最强的特征向量列来构建转换矩阵W：