Yapay Zeka Hızlı Bakış & Çıkarımlar
AI InsightBu çalışmada, ni< p olduğu durumda, simülasyon çalışması ile hata oranları bakımından Ayarlanmış Diskriminant Analizi ve Lineer Diskriminant Analizi karşılaştırılmıştır.
📌 3 Maddede Bu Makale
Özet
Bir çok istatistiki analizde olduğu gibi, Diskriminant Analizi’nde de değişken sayısı p , örneklem hacimleri ni (i=1, 2,…,g) olmak üzere ni< p olduğunda, örneklem varyans-kovaryans matrisinin tahminleri büyük değerler olmakta ve örneklem varyans-kovaryans matrisi singüler olmaktadır. Bu problemi çözmek için Friedman (1989) Ayarlanmış Diskriminant Analizi’ni (Regularized Discriminant Analysis) önermiştir. Ayarlanmış diskriminant analizinde, örneklem varyans-kovaryans matrisi daraltma parametresi ile tekrar elde edilir. Bu çalışmada, ni< p olduğu durumda, simülasyon çalışması ile hata oranları bakımından Ayarlanmış Diskriminant Analizi ve Lineer Diskriminant Analizi karşılaştırılmıştır.
Abstract
As in many statistical analyses, when the number of variables (p) is higher than the number of objects in groups (ni) , the sample variance- covariance matrix estimates become high and the sample variance-covariance matrix becomes singular in discriminant anaylsis as well. To solve this problem, Friedman (1989) proposed Regularized Discriminant Analysis. The sample variance-covariance matrix is re-obtained by employing a shrinkage parameter in regularized discriminant analysis. In this paper Linear and Regularized Discriminant Analysis are compared with respect to their error rates with a simulation study when the number of variables is bigger than the sample size.