"선형판별분석 LDA"의 두 판 사이의 차이

2017년 12월 15일 (금) 15:25 판

1 개요

linear discriminant analysis (LDA), Fisher's linear discriminant
선형판별분석

가정: 독립변수들의 (정규성 + 동분산성)

2 예시: 변수 1개

사후확률: [math]\displaystyle{ p_k(x)=Pr[Y=k|X=x]=\frac{π_k f_k(x)}{∑_{l=1}^K f_l(x)} }[/math]

[math]\displaystyle{ f_k(x)=\frac{1}{\sqrt{2π}σ_k} \operatorname{exp}\left( -\frac{1}{2σ_k^2}(x-μ_k)^2 \right) }[/math]

[math]\displaystyle{ p_k(x)=\frac{π_k \frac{1}{\sqrt{2π}σ_k} \operatorname{exp}\left( -\frac{1}{2σ_k^2}(x-μ_k)^2 \right)}{∑_{l=1}^K π_l \frac{1}{\sqrt{2π}σ_k} \operatorname{exp}\left( -\frac{1}{2σ_k^2}(x-μ_k)^2 \right)} }[/math]

3 같이 보기

4 참고

@@ 2번째 줄: / 2번째 줄: @@
 ;linear discriminant analysis (LDA), Fisher's linear discriminant
 ;선형판별분석
-* 가정: [[정규성]] + [[동분산성]]
+* 가정: 독립변수들의 ([[정규성]] + [[동분산성]])
-<math>f_k(x)=\frac{1}{\sqrt{2π}σ_k} \operatorname{exp}\left( -\frac{1}{2σ_k^2}(x-π_k)^2 \right)</math>
+==예시: 변수 1개==
+* 사후확률: <math>p_k(x)=Pr[Y=k|X=x]=\frac{π_k f_k(x)}{∑_{l=1}^K f_l(x)}</math>
+<math>f_k(x)=\frac{1}{\sqrt{2π}σ_k} \operatorname{exp}\left( -\frac{1}{2σ_k^2}(x-μ_k)^2 \right)</math>
+<math>p_k(x)=\frac{π_k \frac{1}{\sqrt{2π}σ_k} \operatorname{exp}\left( -\frac{1}{2σ_k^2}(x-μ_k)^2 \right)}{∑_{l=1}^K π_l \frac{1}{\sqrt{2π}σ_k} \operatorname{exp}\left( -\frac{1}{2σ_k^2}(x-μ_k)^2 \right)}</math>
 ==같이 보기==
@@ 13번째 줄: / 18번째 줄: @@
 * [[판별분석]]
 * [[로지스틱 회귀]]
+* [[선형판별분석 vs 이차판별분석]]
 ==참고==