判别分析的指标我有一个用于对某些材料进行分类的判别分析。工作得很好，我很快就会把它投入生产。当然，有些项目最终会成为“边缘案例”，其中它们的微小变化可以将它们从一个类别转移到另一个类别。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，我有这样的情况，即材料不适合任何一个班级，而是分配给一个班级。
我正在寻找的是标准化评分指标的最佳方法，以衡量某项指标与指定课程的匹配程度。据我所知，概率函数使用的是 Logit 函数，因此它有太多的指数运动，它的本质是在那里没有太多价值（基本上上面的 A1 和 A2 翻转将根据微小的扰动显示 99% 到任一类别）。
或者，我尝试查看 SQDIST 参数。这个的问题是它没有规范化，所以你可以看到一个紧密集群的 SQDIST 非常小，而另一个大集群的 SQDIST 非常大。我尝试将每个 SQDIST 标准化为集群的中值，这有所帮助但仍然没有给出我想要的结果。也许对他们进行 z 评分？
不管怎样，只是想知道是否已经有一个好的现成的参数已经到位了？这是我想要的细节
1) 数据适合最佳桶的标准化指标
2) 数据与第二最佳桶的匹配程度的标准化指标。
3）在这些中具有足够的线性以便于解释（没有指数衰减/增长）
规范化确实是关键。我的最终目标是在 LDA 处理新数据时开发新数据的控制图，以在异常值进入时捕获它们，并衡量 LDA 类的整体健康状况。
分析回复：判别分析的指标顺便说一句，“居中和缩放”数据的做法非常普遍。 这种做法不一定暗示或假设正态分布。
回复：判别分析的指标因此，我找到了一个快捷的解决方案（感谢 Di！），即使用带有 bygroup 变量的 Col Standardize 函数。这标准化了我认为正态分布的数据，由于数据高度偏斜，它不能 100% 工作，但它仍然非常有效并且很容易到位。
回复：判别分析的指标嗨，Evan_Morris！
对您的问题的一个不方便的回答是，没有完美的指标来衡量分类问题的性能。一个快速的网络搜索可以识别 30-50 个不同的指标，这些指标试图总结一个混淆矩阵的结果，这是一个闪烁的迹象，表明它们在不同的条件下都存在问题。弄清楚这些条件通常是留给读者的练习。 
一个问题：统计学家倾向于使用与其他专业不同的“规范化”一词。当你说“规范化真的是关键”时，你是什么意思？标准化对您意味着什么？“规范化”=“纠正阶级失衡”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，该方法在判别分析 -> 分数选项 -> ROC 曲线旁边的 JMP 小倒红三角 (LIRT) 下可用.右键单击 AUC 表，然后选择“制作成数据表”。将每个类别的个体意愿设置为 1 为 1，0.5-0 为零，并计算每个类别中样本大小加权的个体意愿的几何平均值。使用总结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 已被推广到多类情况（我假设你有），称为Rk .
我不熟悉您的应用程序，我不能自信地推荐这两种方法中的任何一种。但是，我确实很清楚，这两种方法都需要 JSL 脚本，并且每种方法都需要大量的工作和测试。
我希望有人对你的问题有比我更有效的答案。
祝你好运！
