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”，其中的輕微變化可能會將它們從一個分類轉移到下一個分類。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）由於其本質上的微小變化而被歸類為Theta對象。
或者，我也遇到過這樣的情況：這些材料不太適合任何課程，但被分配到一個課程。
我正在尋找的是標準化評分指標的最佳方法，以衡量某些事物與指定班級的契合程度。據我所知，機率函數正在利用 Logit 函數，因此它的指數運動太多，因此具有很大的價值（基本上，上面的 A1 和 A2 翻轉將根據分鐘擾動顯示任一類別的 99%）。
或者，我嘗試查看 SQDIST 參數。這個問題的問題在於它沒有標準化，因此您可以看到一個緊密整合的 SQDIST 非常小，而另一個大型叢集的 SQDISTS 非常大。我嘗試將每個 SQDIST 標準化為群集的中位數，這有所幫助，但仍然沒有給出我想要的結果。也許對他們進行 z 評分？
不管怎樣，只是想知道是否已經有一個好的現成參數可以實現這一點？這是我想要的詳細信息
1) 資料與其最佳儲存桶的擬合程度的標準化指標
2) 資料與第二最佳儲存桶的擬合程度的標準化指標。
3）具有足夠的線性度以便於解釋（無指數衰減/成長）
正常化確實是關鍵。我的最終目標是開發一個由 LDA 處理的新數據的控製圖，以捕獲出現的異常值，並衡量 LDA 類別的整體健康狀況。
品質和工藝工程回覆：判別分析的指標順便說一句，「居中和縮放」資料的做法非常常見。 這種做法不一定暗示或假設常態分佈。
回覆：判別分析的指標因此，我找到的一個快捷解決方案（感謝 Di！）是將 Col Standardize 函數與 bygroup 變數一起使用。我認為這標準化了常態分佈的數據，這並不能 100% 有效，因為數據高度傾斜，但它仍然非常有效，而且很容易實施。
回覆：判別分析的指標嗨，埃文莫里斯！
對您的問題的一個不方便的回答是，沒有完美的指標來衡量分類問題的表現。快速的網路搜尋可以識別 30-50 個不同的指標，這些指標試圖總結混淆矩陣的結果，這是一個閃爍的跡象，表明它們在不同的條件下都存在問題。弄清楚這些條件通常是留給讀者的練習。 
有一個問題：統計學家傾向於使用與其他職業不同的「標準化」一詞。當您說「正常化確實是關鍵」時，您是什麼意思？正常化對您來說意味著什麼？“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）的曲線下面積採用意願方法，可在判別分析 -> 評分選項 -> ROC 曲線旁的 JMP 小紅色倒三角形 (LIRT) 下找到。右鍵單擊 AUC 表，然後選擇“生成資料表”。將每個類別的個別意願在 1 處設定為 1，在 0.5-0 處設為 0，併計算按每個類別中的樣本量加權的個別意願的幾何平均值。使用總結的願望作為品質因數。
另一種方式：有參考文獻聲稱馬太相關係數優於其他一些流行的二元分類性能指標，特別是在類別不平衡的情況下，部分原因是它明確使用了混淆矩陣中的每個單元格。MCC 已推廣到多類案例（我假設您有），稱為瑞克。
我不熟悉您的應用程序，我不能自信地推薦這兩種方法。然而，在我看來，這兩種方法都需要 JSL 腳本，而且每種方法都需要大量的工作和測試。
我希望有人能比我更有效地回答你的問題。
祝你好運！
