:::: MENU ::::
Allgemein

선형판별분석 예제

원래 이분법적인 차별 분석은 1936년 로널드 피셔 경에 의해 개발되었습니다. [8] 하나 이상의 독립적인 범주형 변수에 의해 하나(ANOVA) 또는 다중(MANOVA) 연속 종속 변수를 예측하는 데 사용되는 ANOVA 또는 MANOVA와 는 다릅니다. 판별 함수 분석은 변수 집합이 범주 멤버 자격을 예측하는 데 효과적인지 여부를 결정하는 데 유용합니다. [9] 클래스가 잘 분리되면 물류 회귀가 불안정해질 수 있습니다. 선형 판별 분석이 들어오는 위치입니다. 선형 판별 분석과 동일한 목적으로 일반적으로 사용되는 2차원 감소 기술은 로지스틱 회귀 및 PCA(주요 구성 요소 분석)입니다. 그러나 선형 판별 분석에는 많은 경우에 선택하기 위한 기술이 되는 특정 고유한 기능이 있습니다. 선형 판별 분석과 다른 기술 간의 몇 가지 차이점은 다음과 같습니다. 선형 판별 분석(LDA) 코딩 숄에서 라벨의 값은 무엇입니까 (ii) 선형 판별 분석은 클래스 레이블이 알려져 있을 때 다중 클래스 분류 작업에서 PCA를 능가하는 경우가 많습니다.

이러한 경우 중 일부, 그러나, PCA 는 더 나은 수행. 일반적으로 각 클래스의 샘플 크기가 상대적으로 작은 경우입니다. 좋은 예는 이미지 인식 기술에 사용되는 분류 정확도 간의 비교입니다. 판별 함수 분석은 로지스틱 회귀와 매우 유사하며 둘 다 동일한 연구 질문에 답하는 데 사용할 수 있습니다. [9] 물류 회귀에는 판별 분석만큼 많은 가정과 제한이 없습니다. 그러나 차별 적 분석의 가정이 충족되면 로지스틱 회귀보다 더 강력합니다. [28] 로지스틱 회귀와 달리, 판별 분석은 작은 샘플 크기와 함께 사용될 수 있습니다. 샘플 크기가 같고 분산/공분산의 균질성이 유지되면 판별 분석이 더 정확하다는 것이 나타났습니다. [7] 이 모든 것을 고려하면서, 물류 회귀는 차별적 분석의 가정이 거의 충족되지 않기 때문에 일반적인 선택이 되었습니다. [8] [7] 최근에 받은 질문에 대한 후속 조치를 취하려면 [표준화]와 같은 기능 확장이 LDA의 전반적인 결과를 변경하지 않으므로 선택 사항일 수 있음을 명확히 하고 싶었습니다.

Share via emailShare on Facebook+1Share on LinkedInPin it on PinterestShare on TwitterSubmit to reddit

Seitenanfang
Fragen und oder Angebote einholen ? Kontaktieren Sie uns