دانلود مقالات ISI درباره آنالیز تشخیصی خطی + ترجمه فارسی

تجزیه و تحلیل تشخیص خطی (LDA) بیشتر به عنوان روش کاهش ابعاد در مرحله پیش پردازش برای طبقه بندی الگو و برنامه های کاربردی یادگیری ماشین استفاده می شود. هدف این است که یک مجموعه داده را بر روی یک فضای بعدی با تفکیکپذیری خوب طبقه بندی کنیم تا از اجتناب از overfitting ("نفرین ابعاد") جلوگیری کنیم و همچنین هزینه های محاسباتی را کاهش دهیم. آنالیز تشخیصی خطی بسیار به تحلیل واریانس و تحلیل رگرسیونی نزدیک است؛ در هر سه این روش‌های آماری متغیر وابسته به صورت یک ترکیب خطی از متغیرهای دیگر مدل‌سازی می‌شود. با این حال دو روش آخر متغیر وابسته را از نوع فاصله‌ای در نظر می‌گیرند در حالی که آنالیز افتراقی خطی برای متغیرهای وابسته اسمی یا رتبه‌ای به کار می‌رود. از این رو آنالیز افتراقی خطی به رگرسیون لجستیک شباهت بیشتری دارد. آنالیز تشخیصی خطی همچنین با تحلیل مؤلفه‌های اصلی و تحلیل عاملی هم شباهت دارد؛ هر دوی این روش‌های آماری برای ترکیب خطی متغیرها به شکلی که داده را به بهترین نحو توضیح بدهد به کار می‌روند یک کاربرد عمده هر دوی این روش‌ها، کاستن تعداد بعدهای داده است. با این حال این روش‌ها تفاوت عمده‌ای با هم دارند: در آنالیز افتراقی خطی، تفاوت کلاس‌ها مدل‌سازی می‌شود در حالی که در تحلیل مؤلفه‌های اصلی تفاوت کلاس‌ها نادیده گرفته می‌شود. LDA ارتباط نزدیکی با تحلیل واریانس و تحلیل رگرسیون دارد که سعی دارند یک متغیر مستقل را به عنوان ترکیبی خطی از ویژگی های دیگر بیان کنند. این متغیر مستقل در LDA به شکل برچسب یک کلاس است. همچنین LDA ارتباطی تناتنگ با تحلیل مولفه های اصلی PCA دارد. چرا که هر دو متد به دنبال ترکیبی خطی از متغیرهایی هستند که به بهترین نحو داده ها را توصیف می کنند. LDA همچنین سعی در مدلسازی تفاوت بین کلاس های مختلف داده ها دارد. از LDA زمانی استفاده می‌شود که اندازه های مشاهدات، مقادیر پیوسته باشند. لازم به ذکر است که LDA داده های توزیع نرمال، ویژگی هایی را که از لحاظ آماری مستقل هستند و ماتریس کوواریانس یکسان برای هر کلاس را فرض می کند. با این حال، این تنها در مورد LDA به عنوان طبقه بندی و LDA برای کاهش ابعاد نیز می تواند به خوبی کار کند اگر این مفروضات نقض شده است.