Note that even when the data distri

Note that even when the data distributions are not normal, as long as they are
symmetric and in correspondence to ellipsoidal shaped clusters of points, we obtain
the same decision surfaces as for a normal classifier, although with different error
rates and posterior probabilities.
As previously mentioned SPSS and STATISTICA use a pooled covariance
matrix when performing linear discriminant analysis. The influence of this practice
on the obtained error, compared with the theoretical optimal Bayesian error
corresponding to a quadratic classifier, is discussed in detail in (Fukunaga, 1990).
Experimental results show that when the covariance matrices exhibit mild
deviations from the pooled covariance matrix, the designed classifier has a
performance similar to the optimal performance with equal covariances. This
makes sense since for covariance matrices that are not very distinct, the difference
between the optimum quadratic solution and the sub-optimum linear solution
should only be noticeable for cases that are far away from the prototypes, as
illustrated in Figure 6.12.

Kết quả (Việt) 1:

Lưu ý rằng ngay cả khi phân phối dữ liệu không bình thường, miễn là chúngđối xứng và thư từ để cụm hình cá điểm, chúng ta có đượcnhư vậy quyết định bề mặt đối với một loại bình thường, mặc dù với các lỗi khác nhautỷ giá và sau xác suất.Như đã đề cập SPSS và STATISTICA sử dụng một hiệp phương sai tòima trận khi thực hiện phân tích biệt thức tuyến tính. Ảnh hưởng của các thực hành nàylỗi thu được, so với lý thuyết tối ưu Bayes lỗitương ứng với một loại bậc hai, được thảo luận chi tiết trong (Fukunaga, năm 1990).Kết quả thử nghiệm cho thấy rằng khi các ma trận hiệp phương sai triển lãm nhẹđộ lệch từ ma trận hiệp phương sai tòi, đã loại được thiết kế mộthiệu suất tương tự như hiệu suất tối ưu với các bằng covariances. Điều nàylàm cho tinh thần kể từ khi cho ma trận hiệp phương sai mà không phải là rất khác biệt, sự khác biệtgiữa các bậc hai giải pháp tối ưu và các giải pháp tối ưu phụ tuyến tínhchỉ nên chú ý đối với trường hợp đang xa từ các nguyên mẫu, nhưminh họa trong hình 6,12.

Kết quả (Việt) 2:

Lưu ý rằng ngay cả khi các bản phân phối dữ liệu không được bình thường, miễn là họ là
đối xứng và trong thư để elip cụm có hình dạng của các điểm, chúng tôi có được
bề mặt quyết định tương tự như đối với một phân loại bình thường, mặc dù có lỗi khác nhau
giá và xác suất sau.
Như trước đây nêu trên SPSS và Statistica sử dụng một phương sai gộp
ma trận khi thực hiện phân tích biệt tuyến tính. Sự ảnh hưởng của thực hành này
trên các lỗi thu được, so với các lỗi Bayesian tối ưu về mặt lý thuyết
tương ứng với một phân bậc hai, được thảo luận chi tiết trong (Fukunaga, 1990).
Kết quả thí nghiệm cho thấy, khi các ma trận hiệp phương sai triển lãm nhẹ
độ lệch từ ma trận hiệp phương sai gộp , phân loại thiết kế có
hiệu suất tương tự như hiệu suất tối ưu với phương sai bằng nhau. Điều này
có ý nghĩa kể từ khi cho ma trận hiệp phương sai mà không phải là rất khác biệt, sự khác biệt
giữa các giải pháp tối ưu bậc hai và các giải pháp tuyến tính phụ tối ưu
chỉ nên được chú ý đối với trường hợp ở xa từ các nguyên mẫu, như
minh họa trong hình 6.12.