Análisis Discriminante. Dos problemas principales de clasificación Discriminación (clasificación supervisada) Agrupamiento (Cluster Analysis) (clasificación.

Análisis Discriminante

Dos problemas principales de clasificación

• Discriminación (clasificación supervisada)

• Agrupamiento (Cluster Analysis) (clasificación no supervisada)

El problema estadístico de discriminación

• Dadas dos poblaciones de elementos con distribución conocida clasificar un nuevo elemento en una de las dos poblaciones

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.)

Datos habituales

Matriz de datos

Elemento n1

Grupo A Grupo B

Elemento n2

Elemento 1 Elemento 1

Análisis de genes

Identificación de rasgos

.23 ….

Matriz Identificar Rostro(pauta)

Clasificar como conocido o no

Problemas de clasificación

A

4?

100 euros?

1000 dracmas?

Planteamiento general

Costes

Caso particular: Poblaciones normalesTomando logaritmos, obtenemos la clasificación en P2

Interpretación de la regla: Simplificando lo que es común en ambos miembros quedan solo términos lineales en x

Probab. de error y a posteriori

Interpretación

Clasificar en A

Clasificar en B

A

B

Fisher

A

B

Clasificar en población B

Clasificar en A

Enfoque de Fisher

Varios grupos

ejemplo

Discriminación cuadrática

Clasificación logística

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.

Otros enfoques:

• Redes neuronales

• Métodos no paramétricos

• Máquinas de vector soporte

redes neuronales

Aproximar la función

mediante

Máquinas de vector soporte