"Fisher's Discriminant Analysis" 2 sınıf durumunda basitçe LDA . Sadece 2 sınıf olduğunda elle yapılan hesaplamalar yapılabilir ve analizler doğrudan Çoklu Regresyon ile ilgilidir. LDA, Fisher'ın herhangi bir sayıda sınıfın durumu hakkındaki fikrinin doğrudan uzantısıdır ve onu hesaplamak için matris cebir araçlarını (örneğin, eugende composition) kullanır. Bu nedenle, "Fisher's Discriminant Analysis" terimi, bugün modası geçmiş olarak görülebilir. Bunun yerine "Doğrusal Ayrımcı analizi" kullanılmalıdır. Ayrıca bakınız . 2 + sınıflarına (çok sınıf) ile Ayırma analizi olan kanonik kendi algoritmasıyla (standart değişkenlerin olarak ekstreler dicriminants); nadir "Terimsel Kanonik Analiz"
Fisher, daha sonra "Fisher sınıflandırma fonksiyonları" adı verilen ve diskriminant fonksiyonu hesaplandıktan sonra nesneleri sınıflandırmak için kullanılır. Günümüzde, LDA prosedüründe nesneleri sınıflandırmak için daha genel bir Bayes yaklaşımı kullanılmaktadır.
LDA açıklamaları için isteğinize Bunları benim cevaplar sizi gönderebilir: LDA içinde çıkarımı , LDA içinde sınıflandırma , LDA ilgili prosedürler arasında . Ayrıca bu , bu , bu sorular ve cevaplar.
ANOVA'nın eşit eşitlik varsayımı gerektirdiği gibi, LDA da sınıfların eşit değişkenlik-kovaryans matrislerinin varsayımını gerektirir (girdi değişkenleri arasında). Bu varsayım, analizin sınıflandırma aşaması için önemlidir. Eğer matrisler büyük ölçüde farklı ise, gözlemler değişkenliğin daha büyük olduğu sınıfa atanma eğiliminde olacaktır. Sorunun üstesinden gelmek için QDA icat edildi. QDA, sınıfların kovaryans matrislerinin yukarıdaki heterojenliğine izin veren LDA'nın bir modifikasyonudur.
Eğer heterojenliğe sahipseniz (örneğin Box's M testi ile tespit edildiği gibi) ve elinizde QDA'nız yoksa , sınıflandırmada ayrımcıların bireysel kovaryans matrislerini (havuzlanmış matris yerine) kullanma rejiminde yine de LDA kullanabilirsiniz. . Bu, QDA'da olduğundan daha az etkili olmamakla birlikte sorunu kısmen çözmektedir, çünkü - sadece işaret edildiği gibi - bunlar ayrımcılar arasındaki matrislerdir (orijinal matrislerin farklı olduğu).
Örnek verilerinizi kendiniz için analiz etmeme izin verin.
Yanıt zyxue cevabı @ ve yorumlar
LDA, tanımladığınız şey FDA'nın cevabında. LDA ilk önce ayırma ile aradaki arasındaki farkı maksimize eden lineer yapıları (ayrımcı denir) ayıklar ve sonra bunları (gauss) sınıflandırma yapmak için kullanır. (Söylediğiniz gibi) LDA, ayrımcıları çıkarma görevine bağlı olmasaydı, LDA sadece bir gauss sınıflandırıcısı gibi görünürse, hiçbir "LDA" adı gerekmeyecekti.
SwSws aynıdır, bahsedilen sınıf içi kovaryansların hepsi aynıdır; onları kullanma hakkı mutlak olur.)
Gauss sınıflayıcısı (LDA'nın ikinci aşaması), ayrımcıların sınıflarına gözlemler atamak için Bayes kuralını kullanıyor. Aynı sonuç, doğrudan orijinal özellikleri kullanan Fisher doğrusal sınıflandırma fonksiyonları ile de yapılabilir. Bununla birlikte, Bayes'in ayrımcılara dayanan yaklaşımı, havuzlanmış olanı kullanmanın varsayılan yoluna ek olarak, ayrı sınıf ayrımcı kovaryans matrislerinin de kullanılmasına izin vermesi bakımından biraz geneldir. Ayrıca, sınıflandırmaların bir alt ayrımcı grubuna dayandırılmasına izin verecektir.
Yalnızca iki sınıf olduğunda, LDA'nın her iki aşaması da tek bir geçişte birlikte tanımlanabilir çünkü "gecikmelerin çıkarılması" ve "gözlemler sınıflandırması" aynı görevi yerine getirir.