analisi discriminante , uno strumento statistico per i ricercatori , è un metodo avanzato di classificazione dei dati . Mentre la sua esistenza nella letteratura di statistica applicata è evidente , le sue debolezze in termini di efficacia non è . In generale, l’analisi discriminante è uno strumento utile ai fini della classificazione , ma un ricercatore dovrebbe capire i suoi punti deboli prima di applicarlo . Meccanica incoerente
di analisi discriminante sono diversi a seconda dell’approccio adottato . Ci sono due tipi principali di analisi discriminante : analisi discriminante di Fisher e analisi discriminante di Mahalanobis . A causa dei processi dissimili coinvolti in questi due approcci all’analisi discriminante , le soluzioni ottenute non sono uguali . Aggiungere a questo l’aggiunta di altri , più recenti approcci per l’analisi discriminante come l’analisi discriminante Kernel , e troverete che i ricercatori utilizzano resa analisi discriminante risultati incoerenti sugli stessi insiemi di dati. Questo è problematico quando in realtà applicando la classificazione di analisi discriminante di punti dati reali.
Intuitivo
causa della complessità della meccanica di analisi discriminante , è uno strumento ingombrante per tutti coloro ma il matematico -savvy . Strumenti simili , come la regressione multipla , sono altrettanto flessibili come l’analisi discriminante senza procedere lungo la complessità e la specificità associata con l’analisi discriminante . Essi quindi sono più popolari con i ricercatori . Per capire veramente la procedura di utilizzo di analisi discriminante per produrre una soluzione ad un problema di ricerca , un ricercatore deve avere una vasta esperienza con algebra delle matrici , calcolo matriciale e statistiche avanzate .
Pronostico
Il pronostico disponibile attraverso l’analisi discriminante non è vero previsione. In statistica , la previsione permette ai ricercatori di conoscere alcune proprietà di un punto dati a un livello molto specifico ( come ad esempio all’interno di un intervallo di confidenza o margine di errore ) . Tuttavia, l’analisi discriminante non ha questa caratteristica; analisi discriminante invece classifica . In altre parole , l’analisi discriminante può dire solo un ricercatore la probabile raggruppamento di un certo punto dati; non si può dire il ricercatore altre proprietà del punto dati o come è probabile il punto dati è un membro del gruppo classificate.
bontà di adattamento
Mentre la maggior parte strumenti statistici e modelli sono la bontà delle prove in forma di facile applicazione , analisi discriminante rimane una bestia complicata . Invece di avere statistiche facilmente calcolate che possono rappresentare bontà di adattamento ( ad esempio , R – squared per la regressione multipla ) , analisi discriminante usa di solito ” hit tariffe ” per valutare la bontà di adattamento . Percentuale di occorrenze si riferisce a quanto spesso l’analisi discriminante classifica correttamente un punto dati . Tuttavia, per calcolare anche un tasso di successo , è necessario raccogliere un nuovo set di dati . Anche su questo modo , il tasso di successo è problematico e imprecisa nel caso in cui le dimensioni dei gruppi non sono uguali – . Che è quasi sempre il caso