判別分析のメトリクスいくつかの材料を分類するために使用している判別分析があります。かなりうまく機能し、まもなく本番環境に移行します。もちろん、一部のアイテムは「エッジケース」になり、わずかな違いによって、ある分類から次の分類に移動する可能性があります。したがって、たとえば、サンプルA-1（ストリームAの最初のサンプリング）は最終的にガンマオブジェクトとして分類されますが、サンプルA-2（ストリームAの2番目のサンプリング）は、その性質のわずかな違いのためにシータオブジェクトとして分類されます。 。
または、どのクラスにも当てはまらないが、1つのクラスに割り当てられている場合があります。
私が探しているのは、割り当てられたクラスに何かがどの程度適合しているかについて、スコアリングメトリックを正規化するための最良の方法です。私が知る限り、確率関数はロジット関数を利用しているため、その性質上、指数関数的な動きが多すぎて価値がありません（基本的に、上記のA1とA2のフリップは、微小な摂動に基づいてどちらのカテゴリでも99％を示します）。
あるいは、SQDISTパラメーターを調べてみました。これの問題は、正規化されていないため、1つのタイトなクラスターでは非常に小さいSQDISTが表示され、別の大きなクラスターでは非常に大きいSQDISTが表示されることです。各SQDISTをクラスターの中央値に正規化しようとしましたが、それは役に立ちましたが、それでも希望する結果が得られませんでした。多分それらをzスコアしますか？
とにかく、これのためにすでに適切な既製のパラメータがすでに存在するかどうか疑問に思っていますか？これが私が欲しいものの詳細です
1）データが最適なバケットにどの程度適合しているかを示す正規化されたメトリック
2）データが2番目に優れたバケットにどの程度適合しているかを示す正規化されたメトリック。
3）これらに十分な線形性があり、簡単に解釈できます（指数関数的減衰/成長なし）
正規化が本当に重要です。私の目標は、最終的には、LDAによって処理される新しいデータの管理図を作成して、外れ値が入ってくるときにそれをキャッチし、LDAクラスの全体的な状態を測定することです。
分析Re：判別分析のメトリクスこんにちは、Evan_Morris！
あなたの質問に対する不便な答えは、分類問題のパフォーマンスを測定するための完璧な測定基準がないということです。クイックWeb検索では、混同行列の結果を要約しようとする30〜50の異なるメトリックを識別できます。これは、さまざまな条件下でそれらすべてに問題があることを示す点滅サインです。これらの条件を理解することは、通常、読者に残された演習です。 
1つの質問：統計家は、「正規化された」という言葉を他の職業とは異なる方法で使用する傾向があります。「正規化が本当に重要だ」とはどういう意味ですか？正規化はあなたにとってどのような意味がありますか？「正規化」=「クラスの不均衡の修正」ですか？
これを行う1つの方法は、判別分析->スコアオプション-> ROC曲線の横にあるJMPの小さな逆三角形（LIRT）の下で利用可能な受信者動作曲線（ROC曲線）の曲線下面積に望ましさのアプローチを取ることです。 。AUCテーブルを右クリックし、[データテーブルに作成]を選択します。各クラスの個々の望ましさを1で1、0.5-0で0に設定し、各クラスのサンプルサイズで重み付けされた個々の望ましさの幾何平均を計算します。その要約された望ましさを性能指数として使用します。
別の方法：特にクラスの不均衡の場合、混同行列のすべてのセルを明示的に使用するため、マシューの相関係数が他の一般的な二項分類のパフォーマンスメトリックよりも優れていると主張する参考文献があります。MCCは、マルチクラスの場合（私はあなたが持っていると思います）に一般化されています。 Rk 。
私はあなたのアプリケーションに精通しておらず、どちらのアプローチよりも自信を持って推奨することはできません。ただし、どちらのアプローチにもJSLスクリプトが必要であり、それぞれに多大な労力とテストが必要になることは明らかです。
誰かが私よりもあなたの質問に対してより効率的で効果的な答えを持っていることを願っています。
がんばろう！
Re：判別分析のメトリクスしたがって、私が見つけたショートカットソリューションの1つ（Diに感謝）は、bygroup変数でColStandardize関数を使用することでした。これにより、正規分布を中心にデータが標準化されます。データが大きく歪んでいるため、100％は機能しませんが、それでもかなり効果的で、配置が非常に簡単でした。
