Sağlam Ayırt Edici Analiz
High-Breakdown Robust Linear Discriminant Analysis · Ayrıca şöyle bilinir: robust LDA, high-breakdown discriminant analysis, MCD-based discriminant analysis, Robust Diskriminant Analizi
Sağlam Ayırt Edici Analiz, aykırı değerlerin etkisine direnirken grupları doğrusal bir ayırt edici fonksiyonla ayıran bir sınıflandırma yöntemidir. Hawkins & McLachlan (1997) ve Croux & Dehon (2001) tarafından geliştirilen bir yaklaşım olan Minimum Kovaryans Determinantı (MCD) gibi yüksek kırılma noktasına sahip bir tahmin edici ile klasik ortalama ve kovaryansı değiştirir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Verilerin klasik LDA'yı bozacak aykırı değerler veya kontaminasyon içerebileceği durumlarda, gözlemleri bilinen gruplara sınıflandırmak için sağlam ayırt edici analiz kullanın. Makul bir örneklem gerektirir (genellikle 50 veya daha fazla, her grupta yeterli gözlemle) böylece MCD kovaryansı güvenilir bir şekilde tahmin edilebilir ve öngörücülerin çok değişkenli sürekli olduğunu varsayar. Aykırı değerler, ağır kuyruklar veya ölçüm hataları gerçekçi bir endişe olduğunda en değerlidir; temiz, iyi davranan veriler için klasik ayırt edici analiz genellikle yeterlidir.
Güçlü yönler & sınırlılıklar
- Aykırı değerlere ve kontaminasyona dirençli: aşırı noktaların küçük bir kısmı grup merkezlerini veya sınırı domine edemez.
- MCD tahmin edicisi aracılığıyla yüksek kırılma noktası, böylece tahminler birçok gözlem aykırı olsa bile kararlı kalır.
- Yalnızca konum ve saçılım tahminlerini değiştirerek yorumlanabilir doğrusal ayırt edici yapıyı korur.
- Sağlam kovaryansın tahmin edilebilmesi için klasik LDA'dan daha büyük bir örneğe ihtiyaç duyar ve yaklaşık 30 gözlemin altında güvenilmezdir.
- Yüksek kaldıraçlı noktalar ayırt edici fonksiyonu hala yanıltabilir ve bunun yerine sınırlı etkiye sahip bir yöntem gerektirebilir.
- MCD alt küme araması yinelemeli olduğu için sıradan ayırt edici analizden hesaplama açısından daha ağırdır.
SSS
Bu, klasik LDA'dan nasıl farklıdır?
Aynı doğrusal ayırt edici kuralı korur ancak sıradan ortalama ve kovaryansı yüksek kırılma noktasına sahip sağlam tahminlerle (MCD gibi) değiştirir. Bu, klasik tahminleri bozacak aykırı değerlere karşı sınırı dirençli hale getirir.
Minimum Kovaryans Determinantı (MCD) nedir?
MCD, kovaryans matrisinin en küçük determinantına sahip gözlem alt kümesini arar ve merkezi ve yayılımı tahmin etmek için bu temiz çekirdeği kullanır. Aykırı değerler çekirdekten çıkarıldığı için, elde edilen tahminler yüksek bir kırılma noktasına sahiptir.
Ne kadar veriye ihtiyacım var?
Sağlam kovaryansın tahmin edilebilmesi için genel olarak en az yaklaşık 50 gözlem ve her grupta yeterli vaka planlayın. Kabaca 30 gözlemin altında MCD tahmini güvenilmez hale gelir ve lojistik regresyon daha güvenli bir seçenektir.
Yüksek kaldıraçlı noktalar hakkında ne düşünüyorsunuz?
Sağlam bir ayırt edici fonksiyon bile yüksek kaldıraçlı noktalar tarafından yanıltılabilir. Bunlar mevcut olduğunda, sağlam lojistik regresyon gibi sınırlı etkiye sahip bir yaklaşımı düşünün.
Kaynaklar
- Hawkins, D. M. & McLachlan, G. J. (1997). High Breakdown Linear Discriminant Analysis. Journal of the American Statistical Association, 92(437), 136-143. DOI: 10.1080/01621459.1997.10473610 ↗
- Croux, C. & Dehon, C. (2001). Robust Linear Discriminant Analysis Using S-Estimators. Canadian Journal of Statistics, 29(3), 473-493. DOI: 10.2307/3316042 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 1). High-Breakdown Robust Linear Discriminant Analysis. ScholarGate. https://scholargate.app/tr/statistics/robust-discriminant-analysis
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Olasılıksal-Dayanıklı (HC) Standart Hatalarİstatistik↔ karşılaştır
- Lineer Diskriminant Analizi (LDA)Makine öğrenmesi↔ karşılaştır
- Lojistik RegresyonAraştırma istatistiği↔ karşılaştır
- Karesel Ayırt Edici Analiz (QDA)Makine öğrenmesi↔ karşılaştır
- Sağlam Lojistik Regresyonİstatistik↔ karşılaştır