距离判别、贝叶斯判别和费舍尔判别是三种常见的分类算法。
距离判别是一种基于距离度量的分类方法，它通过计算样本点与各个类别中心点之间的距离，将样本划分到距离最近的那个类别中。
贝叶斯判别是一种基于贝叶斯理论的分类方法，它假设样本的分布是已知的，并根据训练数据估计出每个类别的概率分布，然后根据贝叶斯公式计算出样本属于每个类别的后验概率，并将其划分到概率最大的那个类别中。
费舍尔判别是一种基于最大似然估计的分类方法，它假设样本的分布是已知的，但不像贝叶斯判别那样估计出每个类别的概率分布。相反，费舍尔判别通过寻找一个线性变换，使得在新的特征空间中，各个类别的均值之间的距离最大，从而实现分类。
这三种分类算法之间的关系是：
贝叶斯判别和费舍尔判别都是基于已知样本分布的分类方法，而距离判别则不需要假设样本的分布。
贝叶斯判别和费舍尔判别都是基于最大化类间距离的思想，但贝叶斯判别是最大化后验概率之间的距离，而费舍尔判别是最大化类别均值之间的距离。
在实际应用中，距离判别通常用于样本类别数较少的情况下，而贝叶斯判别和费舍尔判别则更适用于多类别分类问题。同时，由于费舍尔判别不需要估计每个类别的概率分布，因此在样本数量较少、维度较高的情况下，费舍尔判别的性能通常比贝叶斯判别更好。