Descargar la presentación
La descarga está en progreso. Por favor, espere
1
Análisis Discriminante
2
Dos problemas principales de clasificación
Discriminación (clasificación supervisada) Agrupamiento (Cluster Analysis) (clasificación no supervisada)
3
El problema estadístico de discriminación
Dadas dos poblaciones de elementos con distribución conocida clasificar un nuevo elemento en una de las dos poblaciones
4
Ejemplos Clasificar: Restos de un cráneo como homínido o no
Un solicitante de un crédito como solvente o no Un paciente con cáncer o no Una obra de arte al autor A o B. Diseño de máquinas de clasificación (para cartas, billetes,monedas, etc.)
5
Datos habituales Matriz de datos Elemento 1 Elemento 1 Elemento n2
Grupo A Grupo B
6
Análisis de genes
7
Identificación de rasgos
.23 …. Identificar Rostro(pauta) Matriz Clasificar como conocido o no
8
Problemas de clasificación
? 4 100 euros? 1000 dracmas?
9
Planteamiento general
11
Costes
15
Caso particular: Poblaciones normales
Tomando logaritmos, obtenemos la clasificación en P2
17
Interpretación de la regla: Simplificando lo que es común en
ambos miembros quedan solo términos lineales en x
20
Probab. de error y a posteriori
22
Interpretación Clasificar en B B Clasificar en A A
33
Fisher Clasificar en población B Clasificar en A B A
34
Enfoque de Fisher
36
Varios grupos
42
ejemplo
49
Discriminación cuadrática
51
Clasificación logística
53
Problemas del modelo lineal
No hay garantía de que las probabilidades estén entre cero y uno, pueden tomar valores negativos o mayores que uno. Es heterocedástico. Si estimamos el modelo lineal con variable de clasificación –1 +1 se obtiene la función lineal discriminante.
55
Otros enfoques: Redes neuronales Métodos no paramétricos Máquinas de vector soporte
56
redes neuronales Aproximar la función mediante
59
Máquinas de vector soporte
Presentaciones similares
© 2024 SlidePlayer.es Inc.
All rights reserved.