Doğrusal ayırma analizi

Makine öğrenmesi ve veri madenciliği
Problemler Sınıflandırma Kümeleme Regresyon Anomali tespiti Association rules Pekiştirmeli öğrenme Yapılandırılmış tahmin Öznitelik mühendisliği Öznitelik öğrenmesi Öznitelik çıkarımı Online öğrenme Yarı-gözetimli öğrenme Gözetimsiz öğrenme Sıralama öğrenme Gramer Tümevarımı
Gözetimli öğrenme Karar ağacı Birlik öğrenmesi k-YK Doğrusal regresyon Naive Bayes Sinir ağları Lojistik regresyon Relevance vector machine (RVM) Support vector machine (SVM) Rastgele orman
Kümeleme BIRCH Hiyerarşik k-means Beklenti maksimizasyon DBSCAN OPTICS Mean-shift
Boyut indirgeme Faktör analizi CCA ICA LDA NMF PCA t-SNE
Yapılandırılmış tahmin Grafiksel modeller (Bayes ağları, CRF, HMM)
Anomali tespiti k-NN Local outlier factor
Sinir ağları Perseptron Otokodlayıcı Derin öğrenme RNN LSTM Kısıtlı Boltzmann makinesi SOM Kıvrımlı sinir ağları
Pekiştirmeli öğrenme Q-Learning SARSA Temporal Difference (TD)
Teori Bias-variance ikilemi Hesaplamalı öğrenme teorisi Empirik risk minimizasyonu Occam learning PAC learning İstatistiki öğrenme teorisi VC theory
Konferanslar ve dergiler NIPS ICML ML JMLR ArXiv:cs.LG
g t d

İstatistikte, doğrusal ayırma analizi (DAA) ya da doğrusal diskriminant analizi, özniteliklerin bir doğrusal birleşimini bularak veriyi sınıflara ayırmaya yarayan yöntem.^[1][2] Elde edilen model bir doğrusal sınıflandırıcı halinde ya da daha yaygın olarak öncül boyut indirgeme analizinde kullanılır.

Bazen orijinal terimin kısaltması olan LDA (İngilizce: Linear discriminant analysis) şeklinde de kısaltılır.

Doğrusal ayırma analizi, bir verideki değişkenlerin, veriyi en iyi açıklayan doğrusal birleşimini incelemeleri açısından temel bileşen analizi (TBA) ve faktör analizi ile yakından ilişkilidir.^[3] DAA, verilen sınıfları ayıran bir birleşim bulurken, TBA sınıfları göz ardı eder. Faktör analizi, sınıf içi benzerlik yerine varyansı incelemesi ve gizli değişkenleri modellemesi ile DAA'dan farklıdır.

• 1936 yılında R. A. Fischer tarafından geliştirilen bir sınıflama metodudur.
• Basit olmasına rağmen kompleks problemlerde iyi sonuçlar üreten bir modeldir.
• Machine Learning uygulamaları için preprocessing aşamasında boyut azaltma tekniği olarak kullanılır.
• Amaç, overfittingi önlemek ve aynı zamanda hesaplama maliyetlerini azaltmaktır.
• Genel olarak PCA'a (Principal Component Analysis) benzesede LDA'in çalışma mantığında Sınıflar arasındaki uzaklığı maksimize etmek vardır.