Como compreender a análise discriminante?

O processo estatístico de fazer classes a partir de uma amostra ou conjunto de observações é definido
O processo estatístico de fazer classes a partir de uma amostra ou conjunto de observações é definido como Análise Discriminante.

O processo estatístico de fazer classes a partir de uma amostra ou conjunto de observações é definido como Análise Discriminante. Este não é apenas um procedimento simples. É antes um conjunto de ações que o levam a chegar a uma hipótese adequada no evento que você está observando. A análise discriminante pode parecer assustadora ou intimidante. Pelo contrário, é realmente muito prático de usar, especialmente se você quiser fazer previsões sólidas com base em um determinado número de opções.

  1. Fundo Estatístico. Algum conhecimento estatístico básico, particularmente Análise de Variância (ANOVA) ou outros métodos de regressão na análise de uma amostra de dados, pode ser muito benéfico para a compreensão completa de como funciona a análise discriminante. Um bom curso de estatística ou, pelo menos, uma atualização do seu conhecimento em estatística por meio de sites como o Statsoft pode fornecer- lhe o conhecimento prévio de que você precisa.
  2. Conjunto de treinamento. Seu conjunto de treinamento pode ser qualquer coisa. Pode ser um monte de alunos tentando descobrir o que fazer depois do ensino médio. Em um nível mais significativo, pode envolver prever como os sequestradores reagirão em uma situação hostil. Qualquer coisa que envolva muitas pessoas fazendo muitas escolhas pode ser usado como um conjunto de treinamento adequado.
  3. Métodos de análise discriminante. Em um nível matemático, existem vários cálculos que podem ser feitos para implementar a análise discriminante. A Análise Discriminante Múltipla envolve matrizes de dados (conjuntos de treinamento observados simultaneamente), Análise Discriminante Linear (para estudar estritamente dois grupos de dados apenas) e Análise Discriminante K-NNs (você pode usar este modo quando não quiser distribuir as variáveis igualmente e desejar uma abordagem menos estruturada).
    Métodos de análise discriminante
    Métodos de análise discriminante.
  4. Variáveis existentes. As variáveis existentes, simplesmente, envolvem as opções disponíveis para o seu conjunto de treinamento selecionado. Para os formados no ensino médio, pode envolver conseguir trabalho, ir para a faculdade ou se casar. Para o tomador de reféns, pode significar obter mais reféns, libertar reféns, obter demandas adicionais ou tentar escapar. Essas variáveis são o que você estudará, com base nos dados que pode coletar de seu conjunto de treinamento.
  5. Funções discriminantes. Funções discriminantes são as representações matemáticas das variáveis existentes que você escolheu. A partir daqui, você será capaz de obter as probabilidades e análises necessárias para a etapa final e mais importante de todo o procedimento de análise discriminante.
  6. Predição de classes para novos casos. O resultado mais importante da análise discriminante é a capacidade de fazer previsões sólidas para o futuro. Como um futuro graduado do ensino médio reagirá diante de suas circunstâncias? Como um sequestrador reagirá diante de algumas situações semelhantes observadas em seu conjunto de treinamento? Estas serão respondidas pela previsão de classe de novos casos.

No final das contas, a análise não é o objetivo principal de se fazer julgamentos sólidos sobre as situações que envolvem seu conjunto de treinamento. A precisão ainda precisa ser testada. Ainda é um conjunto de estatísticas que tem que ser confirmado pela realidade. Um bom diálogo com um estatístico também pode ajudá-lo a se aprofundar no conceito de análise discriminante.

Artigos relacionados
  1. Como entender os silos de grãos?
  2. Como entender como funciona a citometria de fluxo?
  3. Como usar um transferidor?
  4. Como compreender a importância da matemática?
  5. Como usar um dicionário?
  6. Como usar uma cláusula relativa?
FacebookTwitterInstagramPinterestLinkedInGoogle+YoutubeRedditDribbbleBehanceGithubCodePenWhatsappEmail