判別分析的指標我有一個判別分析，用於對某些材料進行分類。效果很好，我很快就會將其投入生產。當然，有些項目最終會成為“邊緣情況”，其中的微小變化可以將它們從一種分類移動到下一種分類。因此，例如樣本 A-1（流 A 的第一次採樣）最終被歸類為 Gamma 對象，而樣本 A-2（流 A 的第二次採樣）由於其性質的微小變化而被歸類為 Theta 對象.
或者，我有一些情況，材料在任何課程中都不適合，但被分配給一個課程。
我正在尋找的是將評分指標標準化的最佳方法，以了解某些內容與指定課程的匹配程度。據我所知，概率函數正在使用 Logit 函數，所以它有太多的指數運動，因為它在那裡有很大的價值（基本上上面的 A1 和 A2 翻轉將顯示 99% 到任一類別基於分鐘擾動）。
或者，我嘗試查看 SQDIST 參數。這個問題是它沒有標準化，所以你可以看到一個緊密集群的非常小的 SQDIST 和另一個大集群的非常大的 SQDIST。我嘗試將每個 SQDIST 標準化為集群的中位數，這有幫助，但仍然沒有給出我想要的結果。也許對他們打分？
無論如何，只是想知道是否已經有一個很好的現成參數已經到位？這是我想要的細節
1) 標準化指標，用於衡量數據與最佳存儲桶的匹配程度
2) 數據與第二個最佳存儲桶的匹配程度的標準化度量。
3）在這些中具有足夠的線性以易於解釋（沒有指數衰減/增長）
規範化確實是關鍵。最終，我的目標是開發新數據的控製圖，因為它由 LDA 處理，以捕捉進來的異常值，並衡量 LDA 類的整體健康狀況。
分析回复：判別分析的指標嗨，埃文_莫里斯！
您的問題的一個不方便的答案是，沒有完美的指標來衡量您的分類問題的性能。快速的網絡搜索可以識別 30-50 個不同的指標，這些指標試圖總結混淆矩陣的結果，這是一個閃爍的信號，表明它們在不同條件下都存在問題。弄清楚這些條件是通常留給讀者的練習。 
一個問題：統計學家傾向於使用與其他職業不同的“規範化”一詞。當您說“規範化確實是關鍵”時，您是什麼意思？標準化對您意味著什麼？“標準化”=“糾正類別不平衡”嗎？
一種方法是對接收者操作曲線（ROC 曲線）的曲線下面積採用合意性方法，該方法可在 JMP 的小倒紅三角形 (LIRT) 旁邊的判別分析 -> 評分選項 -> ROC 曲線下使用.右鍵單擊 AUC 表，然後選擇 Make Into Data Table。將每個類別的個體意願在 1 時設為 1，在 0.5-0 時設為零，併計算每個類別中按樣本大小加權的個體意願的幾何平均值。使用概括的合意性作為品質因數。
另一種方式：有參考文獻聲稱馬修相關係數優於其他一些流行的二元分類性能指標，尤其是在類不平衡的情況下，部分原因是它明確使用了混淆矩陣中的每個單元格。MCC 已推廣到多類情況（我假設你有），稱為Rk .
我不熟悉你的應用程序，我不能自信地推薦任何一種方法。然而，我似乎很清楚，這兩種方法都需要一個 JSL 腳本，而且每種方法都需要大量的努力和測試。
我希望有人能比我更有效地回答您的問題。
祝你好運！
回复：判別分析的指標所以我找到的一個快捷解決方案（感謝 Di！）是使用 Col Standardize 函數和一個 bygroup 變量。這使我認為圍繞正態分佈的數據標準化，由於數據高度偏斜，它不能 100% 起作用，但它仍然非常有效並且很容易放置。
