Analiza dyskryminacyjna

Analiza dyskryminacyjna to zbiór metod wielowymiarowej analizy danych, zawierający sposoby czyniące z tej techniki efektywne narzędzie do pogłębiania wiedzy dotyczącej eksploracji danych oraz zagadnień klasyfikacyjnych. Za główne zadanie ma postawione rozstrzyganie, które niezależne zmienne w jak najdogodniejszy sposób dzielą pewien zbiór przypadków na naturalnie występujące grupy, opisane jakościową zmienną zależną.

W danej metodzie jesteśmy w stanie wyodrębnić dwa priorytetowe etapy:
a. etap uczenia(budowy modelu) – znajdziemy w nim reguły klasyfikacyjne opierające się na tzw. zbiorze uczącym (próbie statystycznej)
b. etap klasyfikacji (wykorzystanie modelu) – dokonujemy w nim klasyfikacji zbioru obiektów, których przynależność jest nieznana, opierając się na znalezionych charakterystykach klas

Analiza danych jest jedną z najpopularniejszych metod klasycznych budowy modeli predykcji bankructwa. Zaraz obok niej możemy wyróżnić także: modele logitowe i probitowe, metody analizy skupień oraz skalowanie wielowymiarowe.

Sposób budowy modelu najczęściej polega na krokowym konstruowaniu funkcji klasyfikacyjnej, której wartość przypisuje obserwację do danej klasy. Najczęściej wykorzystywane są funkcje liniowe. W tym podejściu opisowym obiekt przydzielany jest do klasy, gdzie funkcja dyskryminacyjna przyjmuje najwyższą wartość.

Wyraźną zaletą klasycznej analizy dyskryminacyjnej jest prostota i wysoka skuteczność dla homogenicznych danych. Wadą zaś, którą można wyróżnić jest niewątpliwie nieprzenośność oraz brak skuteczności dla niehomogenicznych danych.
W podobnych celach można zastosować także m.in. drzewa klasyfikacyjne, klasyfikatory bayesowskie czy metodę najbliższych sąsiadów.

Przykład 1
Pewien bank chce wiedzieć, czy dany klient, który złożył wniosek o kredyt, rokuje nadzieje na jego spłacenie. Zmienna zależna ma jakościowy charakter (kredyt zostanie lub nie zostanie spłacony), a zmiennymi niezależnymi mogą być: dochody rodziny, liczba lat przepracowanych u obecnego pracodawcy, etc.