Alkan, B.barisAtakan, CemalAlkan, Nesrin2025-03-232025-03-2320181012-2354https://hdl.handle.net/11486/1864Lineer diskriminant analizi, önceden bilinen p sayidaki özelliklerine göre birimleri, dogadaki gerçeksiniflarina en dogru sekilde atamayi amaçlayan çok degiskenli istatistiksel biryöntemdir. Burada hedef, birimleri gerçek sinifina minimum hatayla atamaktir.Lineer Diskriminant Analizi (LDA), veri kümesinde diger gözlemlerden farklihareket eden ve aykiri gözlem olarak adlandirilan gözlemlerin varligindadayanikli bir yöntem degildir ve güvenilir sonuçlar vermeyebilir. Böyledurumlarda, klasik LDA’nin dayanikli versiyonlarinin kullaniminin gerekliligiüzerine literatürde birçok çalismaya rastlamak mümkündür. Bu çalismada,jackknife yeniden örnekleme yaklasimi, minimum kovaryans determinant (MKD) veLDA yönteminin bir kombinasyonu ile LDA’nin yeni bir dayanikli versiyonu eldeedilmistir.  Önerilen bu yeni yaklasimile Croux ve Dehon (2001) tarafindan önerilen (Yöntem-1), Hawkins ve McLachlan(1997) tarafindan önerilen (Yöntem-2) yaklasimlarin aykiri gözlem oranindaki degisimleregöre nasil etkilendigi yapay veri uygulamasi ve benzetim çalismasi üzerindendegerlendirilmektedir. Elde edilen bulgular isiginda, önerilen yaklasimin digeriki yaklasima göre, veri kümesinde aykiri gözlemlerin varliginda performansininbazi durumlarda daha iyi, bazi durumlarda ise en az onlar kadar iyi oldugugörülmektedir.trinfo:eu-repo/semantics/openAccessMinimum kovaryans determinantDayanikli lineer diskriminant analiziArticle34219Dec