선형 판별에 대한 관측치 x의 그룹 t의 중심(평균)까지의 거리 제곱(Mahalanobis 거리라고도 함)은 다음과 같은 일반적인 형식으로 제공됩니다.
2차 판별 함수에 대한 x에서 그룹 t까지의 Mahalanobis 거리 제곱은 다음과 같이 계산됩니다.
선형 판별 함수에 대한 x에서 그룹 t까지의 일반화 거리 제곱은 다음과 같이 계산됩니다.
2차 판별 함수에 대한 x에서 그룹 t까지의 일반화 거리 제곱은 다음과 같이 계산됩니다.
그룹 t에 속하는 x에 대한 사후 확률은 다음과 같이 계산됩니다.
선형 판별 점수는 다음과 같이 계산됩니다.
용어 | 설명 |
---|---|
x | 이 관측치에 대한 예측 변수의 값이 포함된 길이 p의 열 벡터(이 열 벡터는 하나의 행으로 저장됩니다.) |
p | 예측 변수의 수 |
n | 총 관측치 수 |
t | 그룹 첨자 |
nt | 그룹 t의 관측치 수 |
qt | 그룹 t의 사전 확률, nt/n과 같음 |
Sp | 선형 판별 분석에 대한 합동 공분산 행렬 |
Si | 2차 판별 분석에 대한 그룹 i의 공분산 행렬 |
mt | 그룹 t의 데이터에서 계산된 예측 변수의 평균이 포함된 길이 p의 열 벡터 |
St | 그룹 t의 공분산 행렬 |
|St| | St의 행렬식 |
주어진 x에 대해 이 규칙은 x를 선형 판별 함수가 가장 큰 그룹에 할당합니다.
용어 | 설명 |
---|---|
x | 이 관측치에 대한 예측 변수의 값이 포함된 길이 p의 열 벡터(이 열 벡터는 하나의 행으로 저장됩니다.) |
mi | 그룹 i의 데이터에서 계산된 예측 변수의 평균이 포함된 길이 p의 열 벡터 |
Sp | 합동 공분산 행렬 |
ln pi | 그룹 i에 대한 사전 확률의 자연 로그 |
용어 | 설명 |
---|---|
x | 이 관측치에 대한 예측 변수의 값이 포함된 길이 p의 열 벡터(이 열 벡터는 하나의 행으로 저장됩니다.) |
mi | 그룹 i의 데이터에서 계산된 예측 변수의 평균이 포함된 길이 p의 열 벡터 |
Sp | 합동 공분산 행렬 f |
ln pi | 그룹 i에 대한 사전 확률의 자연 로그 |
사후 확률이 가장 크면 ln [pi fi (x)] 값도 가장 큽니다.
용어 | 설명 |
---|---|
pi | 그룹 i의 사전 확률 |
fi(x) | 그룹 i에 있는 데이터의 결합 밀도(모집단 모수는 표본 추정치로 바뀜) |