판별 분석을 위한 메트릭일부 자료를 분류하는 데 사용하는 판별 분석이 있습니다.꽤 잘 작동하고 곧 프로덕션에 가져갈 것입니다.물론 일부 항목은 약간의 변형으로 인해 한 분류에서 다음 분류로 이동할 수 있는 "최소 사례"가 됩니다.예를 들어 샘플 A-1(스트림 A의 첫 번째 샘플링)은 감마 개체로 분류되고 샘플 A-2(스트림 A의 두 번째 샘플링)는 특성의 작은 변화로 인해 세타 개체로 분류됩니다. .
또는 재료가 어떤 클래스에도 적합하지 않지만 하나에 할당되는 경우가 있습니다.
내가 찾고 있는 것은 어떤 것이 할당된 클래스에 얼마나 잘 맞는지에 대한 점수 메트릭을 정규화하는 가장 좋은 방법입니다.내가 말할 수 있는 한, 확률 함수는 Logit 함수를 사용하므로 많은 가치를 갖기에는 너무 많은 기하급수적 움직임이 있습니다.
또는 SQDIST 매개변수를 살펴보았습니다.이것의 문제는 정규화되지 않았기 때문에 하나의 좁은 클러스터에 대해 매우 작은 SQDIST를 볼 수 있고 또 다른 큰 클러스터에 대해 매우 큰 SQDISTS를 볼 수 있다는 것입니다.각 SQDIST를 클러스터의 중앙값으로 정규화하려고 시도했지만 도움이 되었지만 여전히 원하는 결과를 얻지 못했습니다.어쩌면 z-점수?
어쨌든, 이미 좋은 기성품 매개변수가 이미 마련되어 있는지 궁금하신가요?내가 원하는 것에 대한 세부 사항은 다음과 같습니다.
1) 데이터가 최적의 버킷에 얼마나 잘 맞는지에 대한 정규화된 메트릭
2) 데이터가 두 번째로 좋은 버킷에 얼마나 잘 맞는지에 대한 정규화된 메트릭.
3) 쉽게 해석할 수 있도록 선형성이 충분합니다(지수적 감소/증가 없음).
정규화는 정말 핵심입니다.궁극적으로 제 목표는 LDA에서 처리되는 새 데이터의 관리 차트를 개발하여 이상값이 들어올 때 이를 포착하고 LDA 클래스의 전반적인 상태를 측정하는 것입니다.
해석학Re: 판별 분석을 위한 메트릭안녕, Evan_Morris!
귀하의 질문에 대한 불편한 대답은 분류 문제의 성능을 측정하는 완벽한 측정항목이 없다는 것입니다.빠른 웹 검색은 혼동 행렬의 결과를 요약하려고 하는 30-50개의 다른 메트릭을 식별할 수 있으며, 이는 다른 조건에서 모두 문제가 있다는 깜박이는 신호입니다.이러한 조건을 파악하는 것은 일반적으로 독자에게 맡겨진 작업입니다. 
한 가지 질문: 통계학자들은 "정규화"라는 단어를 다른 직업과 다르게 사용하는 경향이 있습니다."정규화가 정말 핵심"이라는 말은 무슨 뜻인가요?정상화는 당신에게 어떤 의미인가요?"정규화" = "클래스 불균형 수정"입니까?
이를 수행하는 한 가지 방법은 판별 분석 -> 점수 옵션 -> ROC 곡선 옆에 있는 JMP의 작은 역 빨간색 삼각형(LIRT)에서 사용할 수 있는 ROC 곡선(Receiver Operating Curve)의 곡선 아래 영역에 대한 바람직함 접근 방식을 취하는 것입니다. .AUC 테이블을 마우스 오른쪽 버튼으로 클릭하고 데이터 테이블로 만들기를 선택합니다.각 클래스의 개별 만족도를 1에서 1, 0.5-0에서 0으로 설정하고 각 클래스의 표본 크기로 가중치를 둔 개별 만족도의 기하 평균을 계산합니다.요약된 바람직함을 장점의 지표로 사용하십시오.
다른 방법: Matthew의 상관 계수가 다른 인기 있는 이진 분류 성능 메트릭보다 우수하다고 주장하는 참조가 있습니다. 특히 클래스 불균형의 경우 부분적으로는 혼동 행렬의 모든 셀을 명시적으로 사용하기 때문입니다.MCC는 다중 클래스 사례로 일반화되었습니다. 르크 .
나는 귀하의 응용 프로그램에 익숙하지 않으며 다른 방법보다 어느 쪽 방법을 자신있게 추천할 수 없습니다.그러나 어느 접근 방식이든 JSL 스크립트가 필요하고 각각 많은 노력과 테스트가 필요하다는 것이 분명해 보입니다.
나는 누군가가 당신의 질문에 나보다 더 효율적이고 효과적인 답변을 해주기를 바랍니다.
행운을 빕니다!
Re: 판별 분석을 위한 메트릭그래서 내가 찾은 한 가지 지름길 솔루션(Di 덕분에!)은 bygroup 변수와 함께 Col Standardize 기능을 사용하는 것이었습니다.이것은 정규 분포를 중심으로 데이터를 표준화한다고 생각합니다. 데이터가 심하게 치우쳐 있기 때문에 100% 작동하지는 않지만 여전히 매우 효과적이며 배치하기가 매우 쉽습니다.
