Bayes Ayrımcı Analizi
Bayesian Discriminant Analysis · Ayrıca şöyle bilinir: BDA, Bayesian linear discriminant analysis, Bayesian quadratic discriminant analysis, Bayesian classification
Bayes ayrımcı analizi, her sınıf için çok değişkenli Gauss olasılık fonksiyonunu, sınıf ortalamaları ve kovaryans matrisleri üzerindeki önsel dağılımlarla birleştirerek gözlemleri önceden tanımlanmış gruplara atar. Soncul (posterior) öngörücü olasılıklar, nokta-tahmin karar sınırlarının yerini alarak, küçük veya yüksek boyutlu örneklemlerde sınıflandırma için ilkeli belirsizlik ölçümü sağlar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Grup üyelik olasılıklarına ilkeli belirsizlik ile ihtiyaç duyduğunuzda, eğitim örneğinizin öngörücü sayısına göre küçük olduğu durumlarda (klasik LDA/QDA tahminlerinin kararsızlaştığı yerler) veya sınıf dağılımları hakkında resmi olarak dahil etmek istediğiniz bilgilendirici önsel bilgiye sahip olduğunuzda Bayes ayrımcı analizi kullanın. Kalibre edilmiş olasılık çıktıları — yalnızca etiketler değil — sonraki kararlar için önemli olduğunda da tercih edilir. Sınıf sınırları doğrusal olmayan ve Gauss olmayan olduğunda (çekirdek yöntemleri veya ağaç tabanlı sınıflandırıcıları tercih edin), parametreler üzerinden entegrasyonun hesaplama yükü yasaklayıcı olduğunda ve örneklem boyutları büyük olduğunda (klasik LDA doğrudur ve çok daha hızlıdır) veya çok değişkenli normallik varsayımı ciddi şekilde ihlal edildiğinde kullanmayın.
Güçlü yönler & sınırlılıklar
- Soncul öngörücü olasılıklar doğası gereği kalibre edilmiştir ve yalnızca kesin bir etiket sağlamak yerine sınıflandırma belirsizliğini ölçer.
- Eşlenik Normal-İnvers-Wishart önseli, kapalı formda bir soncul verir, bu da yöntemi MCMC olmadan bile analitik olarak çözülebilir ve hesaplama açısından verimli hale getirir.
- Önsel dağılımlar, örneklem boyutu küçük veya gözlemlere göre çok sayıda öngörücü olduğunda tahminleri dengeleyen düzenlileştiriciler olarak görev yapar.
- Sınıf ortalamaları ve kovaryansları üzerindeki bilgilendirici önseler aracılığıyla alan bilgisini dahil etmek için ilkeli çerçeve.
- Doğal olarak küçük-n, büyük-p rejimini, maksimum olasılıkla tahmin edilen LDA'dan daha iyi yönetir, bu da kötü koşullandırılmış veya dejeneratif olabilir.
- Her sınıf içindeki çok değişkenli normallik varsayımı, özellikle çarpık, sınırlı veya kategorik öngörücüler için geçerli olmayabilir.
- Önsel belirleme dikkat gerektirir: zayıf bilgilendirici veya yanlış belirtilmiş bir önsel, küçük örneklem soncul durumlarını domine edebilir ve sınıflandırmayı yanlı hale getirebilir.
- Doğrusal varyantın homoskedastisite varsayımı (sınıflar arasında paylaşılan kovaryans) ihlal edilebilir, bu da karesel varyantı ve daha fazla parametreyi gerektirir.
- Ek seyreklik önseleri olmadan çok yüksek boyutlu özellik uzaylarına modern makine öğrenimi sınıflandırıcılarından daha az kolay ölçeklenir.
- Soncul öngörücü ve önsel hiperparametrelerin yorumlanması, uygulamalı ekiplerde bulunmayabilecek istatistiksel bir karmaşıklık gerektirir.
SSS
Bayes ayrımcı analizi klasik LDA'dan nasıl farklıdır?
Klasik LDA, maksimum olasılıkla sınıf ortalamalarını ve havuzlanmış kovaryansı tahmin eder ve ardından doğrusal bir sınır çizer. Bayes ayrımcı analizi, bu parametreler üzerine bir önsel yerleştirir ve parametre belirsizliği üzerinden ortalama alan soncul öngörücü olasılığı aracılığıyla sınıflandırma yapar. Sonuç, küçük örneklem boyutlarında daha iyi kalibre edilmiş olasılıklar ve daha kararlı sınırlardır.
Bayes ayrımcı analizini uygulamak için MCMC'ye ihtiyacım var mı?
Standart Normal-İnvers-Wishart eşlenik ayarında değil. Eşlenik önsel, kapalı formda bir soncul ve kapalı formda bir soncul öngörücü (her sınıf için çok değişkenli bir t dağılımı) verir, bu nedenle MCMC gereksizdir. MCMC yalnızca eşlenik olmayan önseller veya Gauss olmayan olasılık fonksiyonları kullanıldığında gereklidir.
Önsel hiperparametreleri nasıl seçerim?
Yaygın bir varsayılan, küçük önsel örneklem boyutlarına (kappa ve nu, uygun bir soncul için minimumun hemen üzerinde) ve genel örneklem ortalamasına ayarlanmış bir önsel ortalamasına sahip zayıf bilgilendirici bir önseldir. Gerçek alan bilgisi mevcut olduğunda — örneğin, önceki çalışmalardan yayınlanmış sınıf ortalamaları — bu hiperparametrelerde kodlanabilir. Bir dizi hiperparametre değeri boyunca duyarlılık analizi her zaman tavsiye edilir.
Doğrusal ve karesel Bayes varyantları arasındaki fark nedir?
Doğrusal varyant (Bayes LDA), tüm sınıfların aynı kovaryans matrisini paylaştığını varsayar, bu da havuzlanmış verilerden tahmin edilir. Karesel varyant (Bayes QDA), her sınıfın kendi kovaryansına sahip olmasına izin verir. QDA, daha fazla parametre tahmin etmeyi gerektirir ve daha büyük sınıf başına örneklemler gerektirir; Bayes ayarında sınıf-özgü önsel kovaryansları düzenlileştirme sağlar, ancak QDA yine de yalnızca homoskedastisite varsayımı açıkça ihlal edildiğinde tercih edilir.
Bayes ayrımcı analizi ikiden fazla sınıfı işleyebilir mi?
Evet. Soncul öngörücü yaklaşımı K > 2 sınıfına doğal olarak genişler: her sınıf için ayrı bir Normal-İnvers-Wishart sonculü hesaplanır ve öngörülen sınıf, önsel sınıf olasılığı ile çarpılan en yüksek soncul öngörücü yoğunluğuna sahip olanıdır. İkili ayrıştırmaya gerek yoktur.
Kaynaklar
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Bayesian Discriminant Analysis. ScholarGate. https://scholargate.app/tr/statistics/bayesian-discriminant-analysis
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Bayesçi Kümeleme Analiziİstatistik↔ karşılaştır
- Bayesci Onaylayıcı Faktör Analizi (BCFA)Psikometri↔ karşılaştır
- Bayesci Gizli Sınıf Analizi (BLCA)İstatistik↔ karşılaştır
- Diskriminant Analiziİstatistik↔ karşılaştır