Linear discriminant analysis (original) (raw)
Lineara diskriminanta analitiko (LDA) kaj la rilata Fiŝista lineara diskriminanto estas uzataj en maŝina lerno por trovi la linearan kombinaĵon de esprimoj kiu plej bone apartigas du aŭ pli multajn klasojn de objektoj aŭ eventoj. La rezultantaj kombinaĵoj povas esti uzataj kiel , aŭ pli kutime en antaŭ ol posta klasifiko.
| Property | Value |
|---|---|
| dbo:abstract | تحليل التمييز الخطي هو تعميم لتحليل التمييز لفيشر وهو طريقة تستخدم في الإحصاء والتعرف على الأنماط وتعلم الآلة لإيجاد تركيبة خطية من الصفات التي تصنف أو تفصل صنفان أو أكثر من الأشياء أو الأحداث. التركيبة الناتجة يمكن أن تستخدم كمصنف خطي أو لتخفيض الأبعاد قبل عملية التصنيف اللاحقة (وهو الأمر الأكثر استخداما). تحليل التمييز الخطي له ارتباط وثيق بتحليل التباين وتحليل الانحدار، حيث أنهم يحاولون التعبير عن متغير تابع معين كتركيبة خطية من مجموعة من الصفات أو القياسات الأخري. ومع ذلك فإن تحليل التباين يستخدم متغيرات مستقلة فئوية ومتغير تابع متصل بينما تحليل التمييز لديه متغيرات مستقلة متصلة ومتغير تابع فئوي (على سبيل المثال أسم الصنف). الانحدار اللوجستي والانحدار ذات وحدة احتمال هم أكثر شبها بتحليل التمييز الخطي مقارنة بتحليل التباين، حيث أنهم أيضا يشرحون متغير فئوي عن طريق قيم متغيرات مستقلة مستمرة. تلك الطرق الأخرى هي المفضلة في التطبيقات التي يكون من غير المقبول فيها افتراض أن المتغيرات المستقلة تتبع توزيع طبيعي وهو افتراض أساسي لطريقة تحليل التمييز الخطي. تحليل التمييز الخطي أيضا له ارتباط وثيق بتحليل العنصر الرئيسي حيث أنهم يبحثون عن التراكيب الخطية من المتغيرات التي توضح البيانات بشكل أفضل. تحليل التمييز الخطي تحاول صراحة صياغة الاختلاف بين أصناف البيانات. من ناحية أخرى فإن تحليل العنصر الرئيسي لا تأخذ في أعتبارها أي اختلاف في الأصناف وتحليل العامل تبني تركيبة الصفات بناء على الاختلافات وليس التشابهات. تحليل التمييز يختلف أيضا عن تحليل العامل في أنه ليس طريقة ترابط، حيث أنه يجب الفصل بين المتغيرات المستقلة والمتغيرات التابعة. يعمل تحليل التمييز الخطي بنجاح عندما تكون قياسات المتغيرات المستقلة لكل مشاهدة متصلة الكميات. عند التعامل مع متغيرات مستقلة فئوية فإن الأسلوب المكافئ هو . (ar) Eine Diskriminanzfunktion oder Trennfunktion ist eine Funktion, die bei der Diskriminanzanalyse jeder Beobachtung einen Scorewert zuordnet. Aus dem Scorewert wird die Gruppenzugehörigkeit jeder Beobachtung und die Grenzen zwischen den Gruppen bestimmt. Bei bekannter Gruppenzugehörigkeit der Beobachtungen werden also die Merkmalsvariablen bei minimalen Informationsverlust zu einer einzigen Diskriminanzvariablen zusammengefasst. Die Fisher’sche Diskriminanzfunktion ist die bekannteste Diskriminanzfunktion, die das Fisher’sche Kriterium realisiert. Sie wurde 1936 von R. A. Fisher entwickelt und beschreibt eine Metrik, die die Güte der Trennbarkeit zweier Klassen in einem Merkmalsraum misst und wurde 1936 von ihm in The use of multiple measurements in taxonomic problems veröffentlicht. (de) Lineara diskriminanta analitiko (LDA) kaj la rilata Fiŝista lineara diskriminanto estas uzataj en maŝina lerno por trovi la linearan kombinaĵon de esprimoj kiu plej bone apartigas du aŭ pli multajn klasojn de objektoj aŭ eventoj. La rezultantaj kombinaĵoj povas esti uzataj kiel , aŭ pli kutime en antaŭ ol posta klasifiko. (eo) Análisis Discriminante Lineal (ADL, o LDA por sus siglas en inglés) es una generalización del discriminante lineal de Fisher, un método utilizado en estadística, reconocimiento de patrones y aprendizaje automático para encontrar una combinación lineal de rasgos que caracterizan o separan dos o más clases de objetos o eventos. La combinación resultante puede ser utilizada como un clasificador lineal, o, más comúnmente, para la reducción de dimensiones antes de la posterior clasificación. LDA está estrechamente relacionado con el análisis de varianza (ANOVA) y el análisis de regresión, el cual también intenta expresar una variable dependiente como la combinación lineal de otras características o medidas. Sin embargo, ANOVA usa variables independientes categóricas y una variable dependiente continua, mientras que el análisis discriminante tiene variables independientes continuas y una variable dependiente categórica (o sea, la etiqueta de clase). La regresión logística y la regresión probit son más parecidas a ADL que ANOVA, pues también explican una variable categórica por los valores de variables independientes continuas. Estos otros métodos son preferibles en aplicaciones donde no es razonable asumir que las variables independientes están normalmente distribuidas, lo cual es una suposición fundamental del método ADL. ADL está también estrechamente relacionado con el análisis de componente principal (ACP) y el análisis factorial en que ambos buscan combinaciones lineales de variables que explican mejor los datos. ADL explícitamente intenta modelar la diferencia entre las clases de datos. ACP por otro lado no toma en cuenta cualquier diferencia entre las clases, y el análisis factorial construye las combinaciones de características basadas en las diferencias en vez de las semejanzas. El análisis discriminante es también diferente del análisis factorial en que no es una técnica de independencia: una distinción entre las variables independientes y las variables dependientes (también llamadas variables de criterio) debe estar hecha. ADL funciona cuando las medidas hechas sobre las variables independientes para cada observación son valores continuos. Al ocuparse de variables independientes categóricas, la técnica equivalente es el análisis discriminante de correspondencia. (es) Linear discriminant analysis (LDA), normal discriminant analysis (NDA), or discriminant function analysis is a generalization of Fisher's linear discriminant, a method used in statistics and other fields, to find a linear combination of features that characterizes or separates two or more classes of objects or events. The resulting combination may be used as a linear classifier, or, more commonly, for dimensionality reduction before later classification. LDA is closely related to analysis of variance (ANOVA) and regression analysis, which also attempt to express one dependent variable as a linear combination of other features or measurements. However, ANOVA uses categorical independent variables and a continuous dependent variable, whereas discriminant analysis has continuous independent variables and a categorical dependent variable (i.e. the class label). Logistic regression and probit regression are more similar to LDA than ANOVA is, as they also explain a categorical variable by the values of continuous independent variables. These other methods are preferable in applications where it is not reasonable to assume that the independent variables are normally distributed, which is a fundamental assumption of the LDA method. LDA is also closely related to principal component analysis (PCA) and factor analysis in that they both look for linear combinations of variables which best explain the data. LDA explicitly attempts to model the difference between the classes of data. PCA, in contrast, does not take into account any difference in class, and factor analysis builds the feature combinations based on differences rather than similarities. Discriminant analysis is also different from factor analysis in that it is not an interdependence technique: a distinction between independent variables and dependent variables (also called criterion variables) must be made. LDA works when the measurements made on independent variables for each observation are continuous quantities. When dealing with categorical independent variables, the equivalent technique is discriminant correspondence analysis. Discriminant analysis is used when groups are known a priori (unlike in cluster analysis). Each case must have a score on one or more quantitative predictor measures, and a score on a group measure. In simple terms, discriminant function analysis is classification - the act of distributing things into groups, classes or categories of the same type. (en) En statistique, l’analyse discriminante linéaire ou ADL (en anglais, linear discriminant analysis ou LDA) fait partie des techniques d’analyse discriminante prédictive. Il s’agit d’expliquer et de prédire l’appartenance d’un individu à une classe (groupe) prédéfinie à partir de ses caractéristiques mesurées à l’aide de variables prédictives. Dans l’exemple de l'article Analyse discriminante, le fichier Flea Beetles, l’objectif est de déterminer l’appartenance de puces à telle ou telle espèce à partir de la largeur et de l’angle de son édéage (partie des organes génitaux mâles de l'insecte.) La variable à prédire est forcément catégorielle (discrète), elle possède 3 modalités dans notre exemple. Les variables prédictives sont a priori toutes continues. Il est néanmoins possible de traiter les variables prédictives discrètes moyennant une préparation adéquate des données. L’analyse discriminante linéaire peut être comparée aux méthodes supervisées développées en apprentissage automatique et à la régression logistique développée en statistique. (fr) Analisis diskriminan linear (bahasa Inggris: linear discriminant analysis, disingkat LDA) adalah generalisasi diskriminan linear Fisher, yaitu sebuah metode yang digunakan dalam ilmu statistika, pengenalan pola dan pembelajaran mesin untuk mencari kombinasi linear yang menjadi ciri atau yang memisahkan dua atau beberapa objek atau peristiwa. Kombinasi yang diperoleh dapat dijadikan pengklasifikasi linear, atau biasanya digunakan untuk proses sebelum pengklasifikasian. Metode ini sangat terkait dengan (ANOVA) dan analisis regresi, yang juga mencoba untuk menyatakan suatu variabel dependen sebagai suatu kombinasi linear fitur-fitur atau pengukuran-pengukuran lainnya. Namun, ANOVA menggunakan dan yang , sementara analisis diskriminan memiliki yang kontinu dan variabel dependen yang kategoris. Regresi logistik dan lebih mirip dengan LDA daripada ANOVA, karena keduanya juga mencoba menjelaskan variabel kategoris dari nilai variabel independen kontinu. LDA juga terkait dengan analisis komponen utama dan analisis faktor karena sama-sama mencari kombinasi linear variabel-variabel yang terbaik dalam menjelaskan data. LDA secara eksplisit mencoba memodelkan perbedaan antara kelas-kelas data. PCA di sisi lain tidak mempertimbangkan perbedaan kelas, dan analisis faktor membangun kombinasi fitur berdasarkan perbedaan daripada kesamaan. Analisis diskriminan juga berbeda dari analisis faktor karena analisis diskriminan bukan teknik yang interdependen: perbedaan antara variabel independen dan dependen harus ditetapkan. LDA berfungsi jika pengukuran yang dilakukan terhadap variabel-variabel independen untuk setiap pengamatan merupakan kuantitas yang kontinu. Jika yang dihadapi adalah variabel independen kategoris, teknik yang serupa adalah . (in) L'analisi discriminante lineare (ADL) o analisi discriminante normale o analisi della funzione discriminante è una generalizzazione della discriminante lineare di Fisher, un metodo usato in statistica, nel riconoscimento di pattern, nell'apprendimento automatico per trovare una combinazione lineare di caratteristiche che raggruppano o separano 2 o più classi di oggetti o eventi. La combinazione risultante può essere usata come un classificatore lineare, o più comunemente per una riduzione dimensionale prima di una classificazione statistica. L'ADL è strettamente correlata all'analisi della varianza (ANOVA) e all'analisi della regressione che anche tentano di esprimere la variabile dipendente come una combinazione lineare di altre caratteristiche o misure. Tuttavia l'ANOVA usa variabili indipendenti qualitative per spiegare una variabile dipendente continua, invece l'analisi del discriminante usa variabili indipendenti continue per spiegare una variabile dipendente qualitativa (per esempio: l'etichetta della classe). La regressione logistica e il modello probit sono più simili all'ADL di quanto lo sia l'ANOVA in quanto spiegano una variabile qualitativa per mezzo di variabili indipendenti continue. Questi altri metodi sono preferibili in applicazioni dove non è ragionevole assumere che le variabili indipendenti siano normalmente distribuite, che è una ipotesi fondamentale del metodo ADL. (it) Liniowa analiza dyskryminacyjna (ang. linear discriminant analysis, LDA) i związany z nią liniowy dyskryminator Fishera (ang. Fisher’s linear discriminant, FLD) są używanie w uczeniu maszynowym do znalezienia liniowej kombinacji cech, które najlepiej rozróżniają dwie lub więcej klas obiektów lub zdarzeń. Wynikowe kombinacje są używane jako lub, częściej, służą redukcji wymiarów do późniejszej klasyfikacji statystycznej. (pl) Лінійний дискримінантний аналіз (англ. Linear discriminant analysis, LDA) — статистичний метод для розв'язку задачі класифікації. З його допомогою будуються лінійні комбінації предикторів, що відділяють області одного класу від іншого. LDA працює для будь-якої кількості класів, на відміну від таких методів як логістична регресія, що в першу чергу використовуються для бінарної класифікації. (uk) Линейный дискриминантный анализ (ЛДА, англ. Linear Discriminant Analysis, LDA), нормальный дискриминантный анализ (англ. Normal Discriminant Analysis, NDA) или анализ дискриминантных функций (англ. Discriminant Function Analysis) является обобщением линейного дискриминанта Фишера, метода, используемого в статистике, распознавании образов и обучении машин для поиска линейной комбинации признаков, которая описывает или разделяет два или более классов или событий. Получившаяся комбинация может быть использована как линейный классификатор, или, более часто, для снижения размерности перед классификацией. ЛДА тесно связан с дисперсионным анализом (англ. ANalyse Of Variance=ANOVA) и регрессионным анализом, которые также пытаются выразить одну зависимую переменную в виде линейной комбинации других признаков или измерений. Однако дисперсионный анализ использует качественные независимые переменные и зависимую переменную, в то время как дискриминантный анализ имеет непрерывные независимые переменные и качественную зависимую переменную (то есть метку класса). Логистическая регрессия и пробит-регрессия больше похожи на ЛДА, чем дисперсионный анализ, так как они так же объясняют качественную переменную через непрерывные независимые переменные. Эти другие методы более предпочтительны в приложениях, в которых нет резона предполагать, что независимые переменные нормально распределены, что является фундаментальным предположением метода ЛДА. ЛДА тесно связан также c методом главных компонент (МГК, англ. Principal Component Analysis, PCA) и факторным анализом тем, что они ищут линейные комбинации переменных, которые лучшим образом объясняют данные. ЛДА явным образом пытается моделировать разницу между классами данных. МГК, с другой стороны, не принимает во внимание какую-либо разницу в классах, а факторный анализ строит комбинации признаков, опираясь скорее на различия, а не на сходства. Дискриминантный анализ отличается также от факторного анализа тем, что не является независимой техникой — для его работы должно быть определено различие между независимыми переменными и зависимыми переменными (последние называются также критериальными переменными). ЛДА работает, когда измерения, сделанные на независимых переменных для каждого наблюдения, являются непрерывными величинами. Когда имеем дело с качественными независимыми переменными, эквивалентной техникой является дискриминантный анализ соответствий. Дискриминантный анализ используется, когда группы известны априори (в отличие от кластерного анализа). Каждый случай должен иметь значение в одной или нескольких мер количественного предсказания и значение на групповой мере. Выражаясь простыми терминами, анализ дискриминантных функций является классификацией, разбивающей объекты на группы, классы или категории некоторого типа. (ru) 线性判别分析 (LDA)是对费舍尔的线性鉴别方法的归纳，这种方法使用统计学，模式识别和机器学习方法，试图找到两类物体或事件的特征的一个线性组合，以能够特征化或区分它们。所得的组合可用来作为一个线性分类器，或者，更常见的是，为后续的分类做降维处理。 LDA与變異數分析（ANOVA）和迴归分析紧密相关，这两种分析方法也试图透过一些特征或测量值的线性组合来表示一个因变量。 然而，變異數分析使用类别型的自变量和连续型的因变量，而判别分析則使用连续型自变量和类别型因变量（即类标签）。 逻辑迴归和概率迴归比變異數分析更类似于LDA，因为他们也是用连续型自变量来解释类别型因变量。LDA的基本假设是自变量是常态分布的，当这一假设无法满足时，在实际应用中更倾向于用上述的其他方法。 LDA也与主成分分析（PCA）和因素分析紧密相关，它们都在寻找最佳解释数据的变量线性组合。 LDA明确地尝试在不同数据类之间建立模型，而PCA則不考虑类别上的不同（只是在保留大部分訊息的前提下降低维度數），因素分析則是根据相異處而非相同處来建立特征组合。判别分析跟因素分析的差異还在于，它不是一个相互依存技术：即必须区分出自变量和因变量（也称为准则变量）的不同。 當自变量每一次的观察测量值都是连续量的时候，LDA能發揮作用。如果是处理类别型自变量，与LDA相对应的技术称为判别反应分析。 (zh) |
| dbo:thumbnail | wiki-commons:Special:FilePath/Fisher2classes.png?width=300 |
| dbo:wikiPageExternalLink | https://github.com/mhaghighat/dcaFuse http://www.psychstat.missouristate.edu/multibook/mlt03m.html https://www.mltut.com/linear-discriminant-analysis-python-complete-and-easy-guide/ https://zenodo.org/record/889881 http://www.alglib.net/dataanalysis/lineardiscriminantanalysis.php http://people.revoledu.com/kardi/tutorial/LDA/ http://people.revoledu.com/kardi/tutorial/LDA/index.html https://web.archive.org/web/20080312065328/http:/www2.chass.ncsu.edu/garson/pA765/discrim.htm https://web.archive.org/web/20150405124836/http:/biostat.katerynakon.in.ua/en/prognosis/discriminant-analysis.html http://userwww.sfsu.edu/~efc/classes/biol710/discrim/discrim.pdf |
| dbo:wikiPageID | 1470657 (xsd:integer) |
| dbo:wikiPageLength | 43954 (xsd:nonNegativeInteger) |
| dbo:wikiPageRevisionID | 1105988508 (xsd:integer) |
| dbo:wikiPageWikiLink | dbr:Canonical_coordinates dbr:Bayesian_optimization dbr:Probability_distribution dbr:Ronald_Fisher dbr:Product_management dbr:Perceptual_mapping dbr:Curse_of_dimensionality dbr:Variance dbr:Decision_tree_learning dbr:Otsu's_method dbr:Preference_regression dbc:Classification_algorithms dbr:Covariance dbr:Analysis_of_variance dbr:Maximum_a_posteriori dbr:Maximum_likelihood_estimation dbr:Mean dbr:SPSS dbr:Effect_size dbr:Eigendecomposition_of_a_matrix dbr:Eigenvalue dbr:Eigenvalues_and_eigenvectors dbr:Eigenvector dbr:Box's_M_test dbr:Multivariate_normal_distribution dbr:Concentration_of_measure dbr:Homoscedasticity dbr:Logit dbr:Statistics dbr:Cluster_analysis dbr:Kernel_Fisher_discriminant_analysis dbr:Pattern_recognition dbr:Statistical_survey dbr:Marketing dbc:Market_research dbr:C._R._Rao dbr:Training_set dbr:Data_mining dbr:Linear_classifier dbr:Linear_combination dbr:Linear_regression dbr:Linear_subspace dbr:Logarithmically_concave_measure dbr:Logistic_regression dbr:Quadratic_classifier dbr:ANOVA dbr:Affine_transformation dbr:Facial_recognition_system dbr:Factor_analysis dbr:Bankruptcy_prediction dbr:Normal_distribution dbr:Dichotomy dbr:Dimensionality_reduction dbr:Edward_Altman dbr:Principal_component_analysis dbr:Dependent_variable dbr:Probability_density_function dbr:Dimension_reduction dbr:Positioning_(marketing) dbr:Prior_probability dbr:Regression_analysis dbr:Stepwise_regression dbr:Hermitian_matrix dbr:Hyperplane dbr:Artificial_intelligence dbr:Latent_variable dbr:Eigenfaces dbr:Dot_product dbc:Market_segmentation dbc:Statistical_classification dbr:Canonical_correlation dbr:Categorical_variable dbr:Instrumental_variable dbr:Maximum_likelihood dbr:Multicollinearity dbr:Multiple_discriminant_analysis dbr:Signal-to-noise_ratio dbr:Social_salience dbr:Multidimensional_scaling dbr:Statistical_classification dbr:Kernel_trick dbr:Wilks'_lambda_distribution dbr:Talagrand's_concentration_inequality dbr:Shrinkage_estimator dbr:Quantitative_marketing_research dbr:Sufficient_statistic dbr:Pseudo_inverse dbr:Statistical_independence dbr:SAS_programming_language dbr:Independent_variables dbr:MANOVA dbr:R_language dbr:Continuous_variable dbr:Probit_regression dbr:Homoscedastic dbr:Z-Score_Financial_Analysis_Tool dbr:Ronald_A._Fisher dbr:Surface_normal dbr:File:3dProjections.png dbr:File:4class3ddiscriminant.png dbr:File:Fisher2classes.png |
| dbp:date | May 2021 (en) April 2012 (en) |
| dbp:reason | separate what, where? (en) Kappa normalizes across all categorizes rather than biased by a significantly good or poorly performing classes (en) |
| dbp:text | Kappa normalizes across all categorizes rather than biased by a significantly good or poorly performing classes. (en) separate the alteration zones (en) |
| dbp:wikiPageUsesTemplate | dbt:Authority_control dbt:Cite_book dbt:Cite_journal dbt:Clarify dbt:Distinguish dbt:Reflist dbt:Rp dbt:Short_description dbt:Wikiversity dbt:YouTube dbt:Statistics |
| dct:isPartOf | http://zbw.eu/stw/mapping/dbpedia/target |
| dct:subject | dbc:Classification_algorithms dbc:Market_research dbc:Market_segmentation dbc:Statistical_classification |
| gold:hypernym | dbr:Generalization |
| rdf:type | owl:Thing yago:WikicatClassificationAlgorithms yago:Abstraction100002137 yago:Act100030358 yago:Activity100407535 yago:Algorithm105847438 yago:Event100029378 yago:Procedure101023820 yago:PsychologicalFeature100023100 yago:YagoPermanentlyLocatedEntity yago:Rule105846932 |
| rdfs:comment | Lineara diskriminanta analitiko (LDA) kaj la rilata Fiŝista lineara diskriminanto estas uzataj en maŝina lerno por trovi la linearan kombinaĵon de esprimoj kiu plej bone apartigas du aŭ pli multajn klasojn de objektoj aŭ eventoj. La rezultantaj kombinaĵoj povas esti uzataj kiel , aŭ pli kutime en antaŭ ol posta klasifiko. (eo) Liniowa analiza dyskryminacyjna (ang. linear discriminant analysis, LDA) i związany z nią liniowy dyskryminator Fishera (ang. Fisher’s linear discriminant, FLD) są używanie w uczeniu maszynowym do znalezienia liniowej kombinacji cech, które najlepiej rozróżniają dwie lub więcej klas obiektów lub zdarzeń. Wynikowe kombinacje są używane jako lub, częściej, służą redukcji wymiarów do późniejszej klasyfikacji statystycznej. (pl) Лінійний дискримінантний аналіз (англ. Linear discriminant analysis, LDA) — статистичний метод для розв'язку задачі класифікації. З його допомогою будуються лінійні комбінації предикторів, що відділяють області одного класу від іншого. LDA працює для будь-якої кількості класів, на відміну від таких методів як логістична регресія, що в першу чергу використовуються для бінарної класифікації. (uk) 线性判别分析 (LDA)是对费舍尔的线性鉴别方法的归纳，这种方法使用统计学，模式识别和机器学习方法，试图找到两类物体或事件的特征的一个线性组合，以能够特征化或区分它们。所得的组合可用来作为一个线性分类器，或者，更常见的是，为后续的分类做降维处理。 LDA与變異數分析（ANOVA）和迴归分析紧密相关，这两种分析方法也试图透过一些特征或测量值的线性组合来表示一个因变量。 然而，變異數分析使用类别型的自变量和连续型的因变量，而判别分析則使用连续型自变量和类别型因变量（即类标签）。 逻辑迴归和概率迴归比變異數分析更类似于LDA，因为他们也是用连续型自变量来解释类别型因变量。LDA的基本假设是自变量是常态分布的，当这一假设无法满足时，在实际应用中更倾向于用上述的其他方法。 LDA也与主成分分析（PCA）和因素分析紧密相关，它们都在寻找最佳解释数据的变量线性组合。 LDA明确地尝试在不同数据类之间建立模型，而PCA則不考虑类别上的不同（只是在保留大部分訊息的前提下降低维度數），因素分析則是根据相異處而非相同處来建立特征组合。判别分析跟因素分析的差異还在于，它不是一个相互依存技术：即必须区分出自变量和因变量（也称为准则变量）的不同。 當自变量每一次的观察测量值都是连续量的时候，LDA能發揮作用。如果是处理类别型自变量，与LDA相对应的技术称为判别反应分析。 (zh) تحليل التمييز الخطي هو تعميم لتحليل التمييز لفيشر وهو طريقة تستخدم في الإحصاء والتعرف على الأنماط وتعلم الآلة لإيجاد تركيبة خطية من الصفات التي تصنف أو تفصل صنفان أو أكثر من الأشياء أو الأحداث. التركيبة الناتجة يمكن أن تستخدم كمصنف خطي أو لتخفيض الأبعاد قبل عملية التصنيف اللاحقة (وهو الأمر الأكثر استخداما). يعمل تحليل التمييز الخطي بنجاح عندما تكون قياسات المتغيرات المستقلة لكل مشاهدة متصلة الكميات. عند التعامل مع متغيرات مستقلة فئوية فإن الأسلوب المكافئ هو . (ar) Análisis Discriminante Lineal (ADL, o LDA por sus siglas en inglés) es una generalización del discriminante lineal de Fisher, un método utilizado en estadística, reconocimiento de patrones y aprendizaje automático para encontrar una combinación lineal de rasgos que caracterizan o separan dos o más clases de objetos o eventos. La combinación resultante puede ser utilizada como un clasificador lineal, o, más comúnmente, para la reducción de dimensiones antes de la posterior clasificación. (es) Eine Diskriminanzfunktion oder Trennfunktion ist eine Funktion, die bei der Diskriminanzanalyse jeder Beobachtung einen Scorewert zuordnet. Aus dem Scorewert wird die Gruppenzugehörigkeit jeder Beobachtung und die Grenzen zwischen den Gruppen bestimmt. Bei bekannter Gruppenzugehörigkeit der Beobachtungen werden also die Merkmalsvariablen bei minimalen Informationsverlust zu einer einzigen Diskriminanzvariablen zusammengefasst. (de) Linear discriminant analysis (LDA), normal discriminant analysis (NDA), or discriminant function analysis is a generalization of Fisher's linear discriminant, a method used in statistics and other fields, to find a linear combination of features that characterizes or separates two or more classes of objects or events. The resulting combination may be used as a linear classifier, or, more commonly, for dimensionality reduction before later classification. (en) En statistique, l’analyse discriminante linéaire ou ADL (en anglais, linear discriminant analysis ou LDA) fait partie des techniques d’analyse discriminante prédictive. Il s’agit d’expliquer et de prédire l’appartenance d’un individu à une classe (groupe) prédéfinie à partir de ses caractéristiques mesurées à l’aide de variables prédictives. Dans l’exemple de l'article Analyse discriminante, le fichier Flea Beetles, l’objectif est de déterminer l’appartenance de puces à telle ou telle espèce à partir de la largeur et de l’angle de son édéage (partie des organes génitaux mâles de l'insecte.) (fr) Analisis diskriminan linear (bahasa Inggris: linear discriminant analysis, disingkat LDA) adalah generalisasi diskriminan linear Fisher, yaitu sebuah metode yang digunakan dalam ilmu statistika, pengenalan pola dan pembelajaran mesin untuk mencari kombinasi linear yang menjadi ciri atau yang memisahkan dua atau beberapa objek atau peristiwa. Kombinasi yang diperoleh dapat dijadikan pengklasifikasi linear, atau biasanya digunakan untuk proses sebelum pengklasifikasian. (in) L'analisi discriminante lineare (ADL) o analisi discriminante normale o analisi della funzione discriminante è una generalizzazione della discriminante lineare di Fisher, un metodo usato in statistica, nel riconoscimento di pattern, nell'apprendimento automatico per trovare una combinazione lineare di caratteristiche che raggruppano o separano 2 o più classi di oggetti o eventi. La combinazione risultante può essere usata come un classificatore lineare, o più comunemente per una riduzione dimensionale prima di una classificazione statistica. (it) Линейный дискриминантный анализ (ЛДА, англ. Linear Discriminant Analysis, LDA), нормальный дискриминантный анализ (англ. Normal Discriminant Analysis, NDA) или анализ дискриминантных функций (англ. Discriminant Function Analysis) является обобщением линейного дискриминанта Фишера, метода, используемого в статистике, распознавании образов и обучении машин для поиска линейной комбинации признаков, которая описывает или разделяет два или более классов или событий. Получившаяся комбинация может быть использована как линейный классификатор, или, более часто, для снижения размерности перед классификацией. (ru) |
| rdfs:label | تحليل التمييز الخطي (ar) Anàlisi discriminant lineal (ca) Diskriminanzfunktion (de) Lineara diskriminanta analitiko (eo) Análisis discriminante lineal (es) Analisis diskriminan linear (in) Analyse discriminante linéaire (fr) Analisi discriminante lineare (it) Linear discriminant analysis (en) Liniowa analiza dyskryminacyjna (pl) Линейный дискриминантный анализ (ru) 線性判別分析 (zh) Лінійний розділювальний аналіз (uk) |
| owl:differentFrom | dbr:Latent_Dirichlet_allocation |
| owl:sameAs | freebase:Linear discriminant analysis dbpedia-fr:Linear discriminant analysis dbpedia-hr:Linear discriminant analysis dbpedia-pl:Linear discriminant analysis dbpedia-zh:Linear discriminant analysis yago-res:Linear discriminant analysis wikidata:Linear discriminant analysis dbpedia-ar:Linear discriminant analysis dbpedia-ca:Linear discriminant analysis dbpedia-de:Linear discriminant analysis dbpedia-eo:Linear discriminant analysis dbpedia-es:Linear discriminant analysis dbpedia-fa:Linear discriminant analysis dbpedia-hu:Linear discriminant analysis dbpedia-id:Linear discriminant analysis dbpedia-it:Linear discriminant analysis dbpedia-ru:Linear discriminant analysis http://su.dbpedia.org/resource/Fisher's_linear_discriminator dbpedia-tr:Linear discriminant analysis dbpedia-uk:Linear discriminant analysis https://global.dbpedia.org/id/GqtM |
| skos:exactMatch | http://zbw.eu/stw/descriptor/15398-5 |
| prov:wasDerivedFrom | wikipedia-en:Linear_discriminant_analysis?oldid=1105988508&ns=0 |
| foaf:depiction | wiki-commons:Special:FilePath/3dProjections.png wiki-commons:Special:FilePath/4class3ddiscriminant.png wiki-commons:Special:FilePath/Fisher2classes.png |
| foaf:isPrimaryTopicOf | wikipedia-en:Linear_discriminant_analysis |
| is dbo:wikiPageDisambiguates of | dbr:LDA |
| is dbo:wikiPageRedirects of | dbr:Fisher's_linear_discriminant dbr:Discriminant_function_analysis dbr:Linear_Discriminant_Analysis dbr:Multiclass_LDA dbr:Normal_discriminant_analysis dbr:LDA_algorithm dbr:Fisher's_Linear_Discriminant dbr:Fisher's_discriminant dbr:Fisher's_linear_discriminator dbr:Fisher_discriminant_analysis dbr:Fisher_face dbr:Fisher_linear_discriminant dbr:Fisher_linear_discriminator dbr:Discriminant_analysis dbr:Discriminant_analysis_(in_marketing) dbr:Discriminant_function dbr:Discriminant_functions dbr:Discrimination_power |
| is dbo:wikiPageWikiLink of | dbr:Canonical_coordinates dbr:Ronald_Fisher dbr:List_of_analyses_of_categorical_data dbr:Multinomial_logistic_regression dbr:Multivariate_statistics dbr:Biostatistics dbr:Curse_of_dimensionality dbr:CDA dbr:Dummy_variable_(statistics) dbr:Otsu's_method dbr:Preference_regression dbr:Generalized_singular_value_decomposition dbr:Geography dbr:Online_newspaper dbr:Quantitative_structure–activity_relationship dbr:Generative_model dbr:Box's_M_test dbr:Mlpy dbr:Multimedia_information_retrieval dbr:Confirmatory_composite_analysis dbr:Coronavirus_breathalyzer dbr:List_of_Bioacoustics_Software dbr:MNIST_database dbr:MacQueen's_bustard dbr:Shogun_(toolbox) dbr:Statistics dbr:Sufficient_dimension_reduction dbr:Common_spatial_pattern dbr:Fault_detection_and_isolation dbr:Kernel_Fisher_discriminant_analysis dbr:Pattern_recognition dbr:Machine_learning_in_earth_sciences dbr:Statistical_discrimination dbr:Total_sum_of_squares dbr:Iris_(plant) dbr:Iris_flower_data_set dbr:Iris_versicolor dbr:Large_margin_nearest_neighbor dbr:Linear_classifier dbr:Linear_predictor_function dbr:Liquid_state_machine dbr:Logistic_regression dbr:Minimum_relevant_variables_in_linear_system dbr:Quadratic_classifier dbr:Facial_recognition_system dbr:Dimensionality_reduction dbr:Discriminative_model dbr:Forensic_linguistics dbr:History_of_statistics dbr:Principal_component_analysis dbr:Fisher's_linear_discriminant dbr:Iris_setosa dbr:Iris_virginica dbr:Cranid dbr:Jenks_natural_breaks_optimization dbr:Margin_classifier dbr:Nearest_centroid_classifier dbr:ArrayTrack dbr:K-nearest_neighbors_algorithm dbr:Eigenface dbr:High-dimensional_statistics dbr:Homoscedasticity_and_heteroscedasticity dbr:Softmax_function dbr:Intendix dbr:Canonical_correlation dbr:Random_projection dbr:FORDISC dbr:Discriminant_(disambiguation) dbr:Discriminant_function_analysis dbr:List_of_statistics_articles dbr:LDA dbr:RV_coefficient dbr:Linear_Discriminant_Analysis dbr:Multiclass_LDA dbr:Multilinear_subspace_learning dbr:Unit-weighted_regression dbr:Normal_discriminant_analysis dbr:Unistat dbr:Outline_of_machine_learning dbr:Social_statistics dbr:Supervised_learning dbr:Types_of_artificial_neural_networks dbr:LDA_algorithm dbr:Fisher's_Linear_Discriminant dbr:Fisher's_discriminant dbr:Fisher's_linear_discriminator dbr:Fisher_discriminant_analysis dbr:Fisher_face dbr:Fisher_linear_discriminant dbr:Fisher_linear_discriminator dbr:Discriminant_analysis dbr:Discriminant_analysis_(in_marketing) dbr:Discriminant_function dbr:Discriminant_functions dbr:Discrimination_power |
| is owl:differentFrom of | dbr:Latent_Dirichlet_allocation |
| is foaf:primaryTopic of | wikipedia-en:Linear_discriminant_analysis |
