Als «discriminant-analysis» getaggte Fragen

Die lineare Diskriminanzanalyse (LDA) ist eine Methode zur Reduzierung und Klassifizierung der Dimensionalität. Es findet einen niedrigdimensionalen Unterraum mit der stärksten Klassentrennung und verwendet ihn zur Durchführung der Klassifizierung. Verwenden Sie dieses Tag auch für quadratische DA (QDA).

1
Überwachte Dimensionsreduktion
Ich habe einen Datensatz bestehend aus 15K markierten Proben (von 10 Gruppen). Ich möchte die Dimensionsreduktion in 2 Dimensionen anwenden, die die Kenntnis der Etiketten berücksichtigen. Wenn ich "Standard" -Verfahren zur unbeaufsichtigten Dimensionsreduktion wie PCA verwende, scheint das Streudiagramm nichts mit den bekannten Beschriftungen zu tun zu haben. Hat das, …
2
Auswahl von PCA-Komponenten, die Gruppen trennen
Ich habe meine multivariaten Daten häufig mit PCA diagnostiziert (Omics-Daten mit Hunderttausenden von Variablen und Dutzenden oder Hunderten von Stichproben). Die Daten stammen oft aus Experimenten mit mehreren kategorialen unabhängigen Variablen, die einige Gruppen definieren, und ich muss oft einige Komponenten durchgehen, bevor ich diejenigen finden kann, die eine Trennung …
1
Algebra der LDA. Fisher Diskriminanzstärke einer variablen und linearen Diskriminanzanalyse
Offenbar, Die Fisher-Analyse zielt darauf ab, gleichzeitig die Trennung zwischen den Klassen zu maximieren und gleichzeitig die Streuung innerhalb der Klassen zu minimieren. Ein nützliches Maß für das Unterscheidungsvermögen einer Variablen ist daher die Diagonalengröße: Bii/WiiBii/WiiB_{ii}/W_{ii} . http://root.cern.ch/root/htmldoc/TMVA__MethodFisher.html Ich verstehe, dass die Größe ( p x p) der Matrizen zwischen …
2
Wie berechnet man Fisher-Kriterium-Gewichte?
Ich studiere Mustererkennung und maschinelles Lernen und bin auf die folgende Frage gestoßen. Betrachten Sie ein Zweiklassen-Klassifizierungsproblem mit gleicher Wahrscheinlichkeit für die vorherige Klasse P(D1)=P(D2)=12P(D1)=P(D2)=12P(D_1)=P(D_2)= \frac{1}{2} und die Verteilung der Instanzen in den einzelnen Klassen von p(x|D1)=N([00],[2001]),p(x|D1)=N([00],[2001]), p(x|D_1)= {\cal N} \left( \begin{bmatrix} 0 \\0 \end{bmatrix}, \begin{bmatrix} 2 & 0 \\ …
3
Bedeutung von "Rekonstruktionsfehler" in PCA und LDA
Ich implementiere PCA, LDA und Naive Bayes für die Komprimierung bzw. Klassifizierung (Implementierung einer LDA für die Komprimierung und Klassifizierung). Ich habe den Code geschrieben und alles funktioniert. Was ich für den Bericht wissen muss, ist die allgemeine Definition des Rekonstruktionsfehlers . Ich kann viel Mathematik finden und in der …
2
Messungen der Klassentrennbarkeit bei Klassifizierungsproblemen
Ein Beispiel für ein gutes Maß für die Klassentrennbarkeit bei Lernenden mit linearer Diskriminanz ist das lineare Diskriminanzverhältnis von Fisher. Gibt es andere nützliche Metriken, um festzustellen, ob Feature-Sets eine gute Klassentrennung zwischen Zielvariablen bieten? Insbesondere bin ich daran interessiert, gute multivariate Eingabeattribute zur Maximierung der Zielklassentrennung zu finden, und …
3
Können die Skalierungswerte in einer linearen Diskriminanzanalyse (LDA) verwendet werden, um erklärende Variablen auf den linearen Diskriminanten darzustellen?
Unter Verwendung eines Biplots von Werten, die durch Hauptkomponentenanalyse erhalten wurden, ist es möglich, die erklärenden Variablen zu untersuchen, aus denen jede Hauptkomponente besteht. Ist dies auch mit der linearen Diskriminanzanalyse möglich? Beispiele hierfür sind: Die Daten sind "Edgar Andersons Irisdaten" ( http://en.wikipedia.org/wiki/Iris_flower_data_set ). Hier sind die Irisdaten : id …
3
Wann würden Sie bei der Klassifizierung eher PCA als LDA verwenden?
Ich lese diesen Artikel über den Unterschied zwischen der Analyse von Hauptkomponenten und der Analyse mehrerer Diskriminanten (lineare Diskriminanzanalyse) und versuche zu verstehen, warum Sie jemals PCA anstelle von MDA / LDA verwenden würden. Die Erklärung ist wie folgt zusammengefasst: Grob gesagt versuchen wir in PCA, die Achsen mit maximalen …
1
Clusteranalyse gefolgt von Diskriminanzanalyse
Was ist der Grund, wenn überhaupt, die Diskriminanzanalyse (Discriminant Analysis, DA) für die Ergebnisse eines Clustering-Algorithmus wie k-means zu verwenden, wie ich es von Zeit zu Zeit in der Literatur sehe (im Wesentlichen zur klinischen Subtypisierung von psychischen Störungen)? Es wird im Allgemeinen nicht empfohlen, Gruppenunterschiede bei den Variablen zu …
1
Die scheinbare Uneinigkeit der Quellen über die lineare, quadratische und Fisher-Diskriminanzanalyse
Ich studiere Diskriminanzanalyse, aber es fällt mir schwer, verschiedene Erklärungen miteinander in Einklang zu bringen. Ich glaube, ich muss etwas vermissen, weil ich noch nie zuvor auf diese (scheinbare) Diskrepanz gestoßen bin. Die Anzahl der Fragen zur Diskriminanzanalyse auf dieser Website scheint jedoch ein Beweis für ihre Komplexität zu sein. …
1
Standardisierung von Funktionen bei Verwendung von LDA als Vorverarbeitungsschritt
Wenn eine lineare Diskriminanzanalyse mit mehreren Klassen (oder ich lese manchmal auch eine Mehrfachdiskriminanzanalyse) zur Dimensionsreduktion (oder Transformation nach Dimensionsreduktion über PCA) verwendet wird, verstehe ich im Allgemeinen eine "Z-Score-Normalisierung" (oder Standardisierung) von Funktionen werden nicht benötigt, auch wenn sie in völlig unterschiedlichen Maßstäben gemessen werden, richtig? Da LDA einen …
Durch die Nutzung unserer Website bestätigen Sie, dass Sie unsere Cookie-Richtlinie und Datenschutzrichtlinie gelesen und verstanden haben.
Licensed under cc by-sa 3.0 with attribution required.