判别分析的指标我有一个判别分析，用于对某些材料进行分类。效果很好，我很快就会将其投入生产。当然，有些项目最终会成为“边缘情况”，其中的细微变化可以将它们从一种分类移动到下一种分类。因此，例如样本 A-1（流 A 的第一次采样）最终被归类为 Gamma 对象，而样本 A-2（流 A 的第二次采样）由于其性质的微小变化而被归类为 Theta 对象.
或者，我有一些情况，材料在任何课程中都不适合，但被分配给一个课程。
我正在寻找的是将评分指标标准化的最佳方法，以了解某些内容与指定课程的匹配程度。据我所知，概率函数正在使用 Logit 函数，所以它有太多的指数运动，因为它在那里有很大的价值（基本上上面的 A1 和 A2 翻转将显示 99% 到基于分钟扰动的任一类别）。
或者，我尝试查看 SQDIST 参数。这个问题是它没有标准化，所以你可以看到一个紧密集群的非常小的 SQDIST 和另一个大集群的非常大的 SQDIST。我试图将每个 SQDIST 标准化为集群的中位数，这有帮助，但仍然没有给出我想要的结果。也许对他们打分？
无论如何，只是想知道是否已经有一个很好的现成参数已经到位？这是我想要的细节
1) 标准化指标，用于衡量数据与最佳存储桶的匹配程度
2) 数据与第二个最佳存储桶的匹配程度的标准化度量。
3）在这些中具有足够的线性以易于解释（没有指数衰减/增长）
规范化确实是关键。最终，我的目标是开发新数据的控制图，因为它由 LDA 处理，以捕捉进来的异常值，并衡量 LDA 类的整体健康状况。
分析回复：判别分析的指标嗨，埃文_莫里斯！
您的问题的一个不方便的答案是，没有完美的指标来衡量您的分类问题的性能。快速的网络搜索可以识别 30-50 个不同的指标，这些指标试图总结混淆矩阵的结果，这是一个闪烁的信号，表明它们在不同条件下都存在问题。弄清楚这些条件是通常留给读者的练习。 
一个问题：统计学家倾向于使用与其他职业不同的“规范化”一词。当您说“规范化确实是关键”时，您是什么意思？标准化对您意味着什么？“标准化”=“纠正类别不平衡”吗？
一种方法是对接收者操作曲线（ROC 曲线）的曲线下面积采用合意性方法，该方法可在 JMP 的小倒红三角形 (LIRT) 旁边的判别分析 -> 评分选项 -> ROC 曲线下使用.右键单击 AUC 表，然后选择 Make Into Data Table。将每个类别的个体意愿在 1 时设为 1，在 0.5-0 时设为零，并计算每个类别中按样本大小加权的个体意愿的几何平均值。使用概括的合意性作为品质因数。
另一种方式：有参考文献声称马修相关系数优于其他一些流行的二元分类性能指标，尤其是在类不平衡的情况下，部分原因是它明确使用了混淆矩阵中的每个单元格。MCC 已推广到多类情况（我假设你有），称为Rk .
我不熟悉你的应用程序，我不能自信地推荐任何一种方法。然而，我似乎很清楚，这两种方法都需要一个 JSL 脚本，而且每种方法都需要大量的努力和测试。
我希望有人对你的问题有一个比我更有效的答案。
祝你好运！
回复：判别分析的指标所以我找到的一个快捷解决方案（感谢 Di！）是使用 Col Standardize 函数和一个 bygroup 变量。这使我认为围绕正态分布的数据标准化，由于数据高度偏斜，它不能 100% 起作用，但它仍然非常有效并且很容易到位。
