DAYANIKLI LİNEER DİSKRİMİNANT ANALİZİ İÇİN YENİ BİR YAKLAŞIM

Lineer diskriminant analizi, önceden bilinen p sayıda özelliğe sahip birimleri, doğadaki gerçek sınıflarına en doğru şekilde atamayı amaçlayan çok değişkenli istatistiksel bir yöntemdir. Burada hedef, birimleri gerçek sınıfına minimum hatayla atamaktır. Lineer Diskriminant Analizi (LDA), veri kümesinde diğer gözlemlerden farklı hareket eden ve aykırı gözlem olarak adlandırılan gözlemlerin varlığında dayanıklı bir yöntem değildir ve güvenilir sonuçlar vermeyebilir. Böyle durumlarda, klasik LDA’nın dayanıklı versiyonlarının kullanımının gerekliliği üzerine literatürde birçok çalışmaya rastlamak mümkündür. Bu çalışmada, jackknife yeniden örnekleme yaklaşımı, minimum kovaryans determinant (MKD) ve LDA yönteminin bir kombinasyonu ile LDA’nın yeni bir dayanıklı versiyonu elde edilmiştir. Önerilen bu yeni yaklaşım ile Croux ve Dehon (2001) tarafından önerilen (Yöntem-1), Hawkins ve McLachlan (1997) tarafından önerilen (Yöntem-2) yaklaşımların aykırı gözlem oranındaki değişimlere göre nasıl etkilendiği yapay veri uygulaması ve benzetim çalışması üzerinden değerlendirilmektedir. Elde edilen bulgular ışığında, önerilen yaklaşımın diğer iki yaklaşıma göre, veri kümesinde aykırı gözlemlerin varlığında performansının bazı durumlarda daha iyi, bazı durumlarda ise en az onlar kadar iyi olduğu görülmektedir.