Hallo Sam,
Hier finden Sie weitere Informationen, falls hilfreich: https://www.ibm.com/docs/en/spss-statistics/beta?topic=analysis-discriminant-statistics
Ich verwende auf mycluster einen einfachen LDA mit allen 6 Basisvariablen (Orange...Blaubeere).
Hier ist ein Beispiel:
id Orange Grapefruit Zitrone Erdbeere Himbeere Blaubeere Mycluster
1,00 89,00 81,00 85,00 55,00 70,00 56,00 2
2,00 90,00 83,00 94,00 59,00 42,00 61,00 2
3,00 95,00 79,00 87,00 61,00 58,00 49,00 2
4,00 56,00 41,00 62,00 88,00 84,00 83,00 1
5,00 71,00 56,00 61,00 92,00 86,00 85,00 1
6,00 66,00 68,00 60,00 83,00 90,00 89,00 1
7,00 68,00 62,00 45,00 79,00 98,00 91,00 1
8,00 82,00 81,00 85,00 55,00 70,00 56,00 2
9,00 90,00 88,00 94,00 59,00 42,00 61,00 2
10,00 95,00 79,00 84,00 61,00 58,00 49,00 2
11,00 56,00 41,00 62,00 93,00 84,00 83,00 1
12,00 71,00 56,00 61,00 92,00 84,00 85,00 1
13,00 66,00 68,00 60,00 83,00 90,00 91,00 1
14,00 68,00 62,00 45,00 79,00 95,00 91,00 1
Gewünschte LDA-Ausgabe („mycluster 1 2“ sind Überschriften für die 3 Spalten in der Tabelle unten):
Klassifizierungsfunktionskoeffizienten
mycluster 1 2
orange 7.318 15.466
Grapefruit -6.189 -10.719
Zitrone .488 12.336
Erdbeere 42.241 13.117
Himbeere 17.201 14.129
Blaubeere 45.019 30.221
(Konstant) -4625,059 -2422,181
Fishers lineare Diskriminanzfunktionen
Könnten Sie eine Beispieldatentabelle oder eine ausführlichere Analyse unter Verwendung Ihres gewünschten Ansatzes bereitstellen, um uns dabei zu helfen, das Problem und den Bedarf besser zu verstehen?
Detail:
Gelegentlich werden in der Forschung und Entwicklung mithilfe einer Clusteranalyse Produktkategoriesegmente aus einer Vielzahl von Fragen erstellt.Der nächste Schritt besteht darin, die schrittweise lineare Diskriminanzanalyse (LDA) zu verwenden, um die Anzahl der Fragen zu reduzieren, die für eine genaue Vorhersage des Befragtensegments erforderlich sind.Aus der Ausgabe stellten wir Forschungsanbietern eine Reihe von „Fisher's Scores“ (unter Verwendung der SPSS-Sprache) aus dem LDA-Modell zur Verfügung, damit diese einen Algorithmus zur Klassifizierung der Befragten erstellen konnten.(Angenommen, n = Anzahl der Befragten, k = Anzahl der Fragen im reduzierten LDA-Modell und m = Anzahl der Segmente).Unter Verwendung der linearen Algebra erforderte dies die Multiplikation der nxk-Befragtendatenmatrix mit der kxm-Fisher-Score-Matrix (und die Summierung über k plus den Achsenabschnitt), um den LDA-Score für jeden Befragten nach Segment zu berechnen.Dem Befragten wurde das Segment mit der höchsten Punktzahl zugewiesen.Könnten Sie als Teil Ihrer Ausgabe eine ähnliche Fisher-Score-Matrix (kxm plus Achsenabschnitt) für die m Segmente erstellen?
Hallo nochmal,
Ich habe diese Werte auch unter der Bezeichnung „Fisher's Klassifikationsfunktionskoeffizienten“ gesehen, falls das bei der Suche hilft.
Hier ist meine Motivation -
Sobald eine nützliche Clusteranalyse an den Daten der Umfrageteilnehmer durchgeführt wurde, möchten die Forscher eine Möglichkeit finden, das Cluster neuer Teilnehmer in zukünftigen Umfragen anhand von nur wenigen Elementen aus der ursprünglichen Liste vorherzusagen. Wir wenden uns also der schrittweisen LDA zu, um ein Vorhersagemodell zu erstellen. Ich möchte jedoch einen einfachen Satz von „Fisher-Scores“ (d. h. Sätze von Koeffizienten plus dem Achsenabschnitt – ein Satz pro Cluster) haben, den ich in meine nächste Umfrage einbetten kann, um Teilnehmer je nach ihrem vorhergesagten Cluster zu filtern/qualifizieren. Im Grunde muss ich nur die Daten mit den Koeffizienten multiplizieren und dann den Achsenabschnitt hinzufügen – für jeden Cluster – und dann die Scores vergleichen, um den Cluster vorherzusagen. Alternativ kann ich diese „SUMPRODUCT“-Scores (unter Verwendung der Excel-Funktionssprache) nehmen und potenzieren und sie dann als Verhältnis zur Summe der Exponentiale ausdrücken, um die Wahrscheinlichkeit der Zugehörigkeit zum Cluster zu berechnen.
Schließlich wäre es wirklich hilfreich, Leave One Out oder Cross-Validation zu Ihrem schrittweisen Auswahlprozess hinzuzufügen, um eine Überanpassung des Modells zu vermeiden (aus einem Grund). Darüber hinaus besteht das Ziel der Variablenauswahl darin, die ABSOLUTE MINDESTZAHL an Elementen im Modell zu finden, die zur Vorhersage der Clustermitgliedschaft erforderlich sind, da der Forscher keinen Umfrageplatz verschwenden möchte, indem er eine Reihe von Elementen (Umfragefragen) abfragt, nur um einen Cluster vorherzusagen.
Hallo JMP-Freunde,
Gibt es Neuigkeiten zu dieser Idee? Haben Sie herausgefunden, wie man Fisher-Klassifikationswerte berechnet? Falls nicht, glaube ich, dass ein Kollege von mir ein R-Paket gefunden hat, mit dem sie berechnet werden können (zusätzlich zu SPSS). Melden Sie sich, wenn Sie einen Tipp benötigen. (Wir versuchen, die Methode allen unseren (P&G) JMP-Nutzern zugänglich zu machen.)
Danke!
