<\/p>\n
Quando temos um conjunto de vari\u00e1veis preditoras e queremos classificar uma vari\u00e1vel de resposta<\/a> em uma de duas classes, geralmente usamos regress\u00e3o log\u00edstica<\/a> .<\/span><\/p>\n Por exemplo, podemos usar regress\u00e3o log\u00edstica no seguinte cen\u00e1rio:<\/span><\/p>\n No entanto, quando uma vari\u00e1vel de resposta tem mais de duas classes poss\u00edveis, geralmente preferimos usar um m\u00e9todo conhecido como an\u00e1lise discriminante linear<\/strong> , muitas vezes chamado de LDA.<\/span><\/p>\n Por exemplo, podemos usar LDA no seguinte cen\u00e1rio:<\/span><\/p>\n Embora os modelos LDA e de regress\u00e3o log\u00edstica sejam usados para classifica\u00e7\u00e3o<\/a> , verifica-se que o LDA \u00e9 muito mais est\u00e1vel do que a regress\u00e3o log\u00edstica quando se trata de fazer previs\u00f5es para m\u00faltiplas classes e \u00e9, portanto, o algoritmo preferido a ser usado quando a vari\u00e1vel de resposta pode levar mais de dois Aulas.<\/span><\/p>\n O LDA tamb\u00e9m funciona melhor quando os tamanhos das amostras s\u00e3o pequenos em compara\u00e7\u00e3o com a regress\u00e3o log\u00edstica, tornando-o um m\u00e9todo preferido quando voc\u00ea n\u00e3o consegue coletar amostras grandes.<\/span><\/p>\n O LDA faz as seguintes suposi\u00e7\u00f5es sobre um determinado conjunto de dados:<\/span><\/p>\n (1)<\/strong> Os valores de cada vari\u00e1vel preditora s\u00e3o normalmente distribu\u00eddos<\/a> . Ou seja, se cri\u00e1ssemos um histograma para visualizar a distribui\u00e7\u00e3o de valores para um determinado preditor, ele teria aproximadamente um \u201cformato de sino\u201d.<\/span><\/p>\n (2)<\/strong> Cada vari\u00e1vel preditora tem a mesma vari\u00e2ncia<\/a> . Isso quase nunca acontece em dados do mundo real, e \u00e9 por isso que normalmente dimensionamos cada vari\u00e1vel para ter a mesma m\u00e9dia e vari\u00e2ncia antes de realmente ajustar um modelo LDA.<\/span><\/p>\n Uma vez verificadas estas hip\u00f3teses, o LDA estima ent\u00e3o os seguintes valores:<\/span><\/p>\n O LDA ent\u00e3o insere esses n\u00fameros na seguinte f\u00f3rmula e atribui cada observa\u00e7\u00e3o X = x \u00e0 classe para a qual a f\u00f3rmula produz o maior valor:<\/span><\/p>\n d k<\/sub> (x) = x * (\u03bc k<\/sub> \/\u03c3 2<\/sup> ) \u2013 (\u03bc k<\/sub> 2<\/sup> \/2\u03c3 2<\/sup> ) + log(\u03c0 k<\/sub> )<\/strong><\/span><\/p>\n Observe que LDA tem linear<\/em> em seu nome porque o valor produzido pela fun\u00e7\u00e3o acima vem do resultado de fun\u00e7\u00f5es lineares<\/em> de x.<\/span><\/p>\n Certifique-se de que seus dados atendam aos seguintes requisitos antes de aplicar um modelo LDA a eles:<\/span><\/p>\n 1. A vari\u00e1vel de resposta \u00e9 categ\u00f3rica<\/strong> . Os modelos LDA s\u00e3o projetados para serem utilizados em problemas de classifica\u00e7\u00e3o, ou seja, onde a vari\u00e1vel resposta pode ser colocada em classes ou categorias.<\/span><\/p>\n 2. As vari\u00e1veis preditoras seguem uma distribui\u00e7\u00e3o normal<\/strong> . Primeiro, verifique se cada vari\u00e1vel preditora tem distribui\u00e7\u00e3o aproximadamente normal. Caso contr\u00e1rio, voc\u00ea pode optar por primeiro transformar os dados<\/a> para tornar a distribui\u00e7\u00e3o mais normal.<\/span><\/p>\n 3. Cada vari\u00e1vel preditora tem a mesma vari\u00e2ncia<\/strong> . Conforme mencionado anteriormente, o LDA assume que cada vari\u00e1vel preditora tem a mesma vari\u00e2ncia. Como isso raramente acontece na pr\u00e1tica, \u00e9 uma boa ideia dimensionar cada vari\u00e1vel no conjunto de dados de forma que tenha m\u00e9dia 0 e desvio padr\u00e3o 1.<\/span><\/p>\n 4. Considere valores discrepantes extremos.<\/strong> Certifique-se de verificar valores extremos no conjunto de dados antes de aplicar o LDA. Normalmente, voc\u00ea pode verificar visualmente valores discrepantes simplesmente usando gr\u00e1ficos de caixa<\/a> ou gr\u00e1ficos de dispers\u00e3o.<\/span><\/p>\n Os modelos LDA s\u00e3o aplicados em uma ampla variedade de dom\u00ednios da vida real. aqui est\u00e3o alguns exemplos:<\/span><\/p>\n 1. Comercializa\u00e7\u00e3o<\/b> . As empresas de varejo costumam usar o LDA para classificar os compradores em uma das diversas categorias. Por exemplo, eles podem criar um modelo LDA para prever se um determinado comprador gastar\u00e1 ou n\u00e3o baixo, m\u00e9dio ou alto usando vari\u00e1veis preditoras como renda<\/em> , gasto anual total<\/em> e tamanho da fam\u00edlia<\/i> .<\/span><\/p>\n 2.M\u00e9dico<\/strong> . Hospitais e equipes de pesquisa m\u00e9dica costumam usar o LDA para prever se um determinado grupo de c\u00e9lulas anormais tem probabilidade de causar doen\u00e7as leves, moderadas ou graves.<\/span><\/p>\n 3. Desenvolvimento de produto<\/strong> . As empresas podem criar modelos LDA para prever se um determinado consumidor usar\u00e1 seu produto diariamente, semanalmente, mensalmente ou anualmente, com base em diversas vari\u00e1veis preditoras, como g\u00eanero<\/em> , renda anual<\/em> e frequ\u00eancia de uso de produtos similares<\/em> .<\/span><\/p>\n 4. Ecologia.<\/strong> Os pesquisadores podem criar modelos LDA para prever se um determinado recife de coral ter\u00e1 sa\u00fade geral boa, moderada, ruim ou amea\u00e7ada, com base em uma variedade de vari\u00e1veis preditoras, como tamanho<\/em> , contamina\u00e7\u00e3o anual<\/em> e perda<\/em> . idade<\/em> .<\/span><\/p>\n Os tutoriais a seguir fornecem exemplos passo a passo sobre como realizar an\u00e1lise discriminante linear em R e Python:<\/span><\/p>\n An\u00e1lise Discriminante Linear em R (passo a passo)<\/a> Quando temos um conjunto de vari\u00e1veis preditoras e queremos classificar uma vari\u00e1vel de resposta em uma de duas classes, geralmente usamos regress\u00e3o log\u00edstica . Por exemplo, podemos usar regress\u00e3o log\u00edstica no seguinte cen\u00e1rio: Queremos usar a pontua\u00e7\u00e3o de cr\u00e9dito e o saldo banc\u00e1rio para prever se um determinado cliente deixar\u00e1 de pagar um empr\u00e9stimo. (Vari\u00e1vel […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"class_list":["post-1160","post","type-post","status-publish","format-standard","hentry","category-guia"],"yoast_head":"\n\n
\n
Como criar modelos LDA<\/strong><\/span><\/h3>\n
\n
Como preparar dados para LDA<\/strong><\/span><\/h3>\n
Exemplos de uso de an\u00e1lise discriminante linear<\/strong><\/span><\/h3>\n
LDA em R e Python<\/span><\/strong><\/h3>\n
An\u00e1lise discriminante linear em Python (passo a passo)<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"