Doğrusal ayırma analizi
| Makine öğrenmesi ve veri madenciliği |
|---|
 |
İstatistikte, doğrusal ayırma analizi (DAA) ya da doğrusal diskriminant analizi, özniteliklerin bir doğrusal birleşimini bularak veriyi sınıflara ayırmaya yarayan yöntem.[1][2] Elde edilen model bir doğrusal sınıflandırıcı halinde ya da daha yaygın olarak öncül boyut indirgeme analizinde kullanılır.
Bazen orijinal terimin kısaltması olan LDA (İngilizce: Linear discriminant analysis) şeklinde de kısaltılır.
Doğrusal ayırma analizi, bir verideki değişkenlerin, veriyi en iyi açıklayan doğrusal birleşimini incelemeleri açısından temel bileşen analizi (TBA) ve faktör analizi ile yakından ilişkilidir.[3] DAA, verilen sınıfları ayıran bir birleşim bulurken, TBA sınıfları göz ardı eder. Faktör analizi, sınıf içi benzerlik yerine varyansı incelemesi ve gizli değişkenleri modellemesi ile DAA'dan farklıdır.
- 1936 yılında R. A. Fischer tarafından geliştirilen bir sınıflama metodudur.
- Basit olmasına rağmen kompleks problemlerde iyi sonuçlar üreten bir modeldir.
- Machine Learning uygulamaları için preprocessing aşamasında boyut azaltma tekniği olarak kullanılır.
- Amaç, overfittingi önlemek ve aynı zamanda hesaplama maliyetlerini azaltmaktır.
- Genel olarak PCA'a (Principal Component Analysis) benzesede LDA'in çalışma mantığında Sınıflar arasındaki uzaklığı maksimize etmek vardır.
Kaynakça
[değiştir | kaynağı değiştir]- ^ Doğan, M.I.; Orman, A.; Örkcü, M.; Örkcü, H.H. "A new approach based on regression analysis and mathematical programming to multi-group classification problems" (PDF). Journal Of The Faculty Of Engineering And Architecture Of Gazi University. 34 (4). ss. 1939-1955. 27 Şubat 2020 tarihinde kaynağından arşivlendi (PDF)31 Temmuz 2020.
- ^ Güllüoğlu, Caner (Haziran 2010). Doğrusal diskriminant analizi için iyileştirme algoritmaları (Yüksek Lisans). Bahçeşehir Üniversitesi. 2 Mart 2021 tarihinde kaynağından arşivlendi. Erişim tarihi: 31 Temmuz 2020.
- ^ Martinez, A. M.; Kak, A. C. (2001). "PCA versus LDA" (PDF). IEEE Transactions on Pattern Analysis and Machine Intelligence. 23 (=2): 228-233. doi:10.1109/34.908974. 11 Ekim 2008 tarihinde kaynağından (PDF) arşivlendi31 Temmuz 2020.
