Methoden zur Klassifikation - OptiV

2.4 Anwendung
Anwendungsvoraussetzungen
Vor der Durchführung einer Diskriminanzanalyse sollte sichergestellt werden,
dass die Trainingsdaten keine Objekte enthalten, welche gleichzeitig zu
mehr als einer Klasse gehören.
Außerdem sollte der Umfang der Trainingsdaten mindestens doppelt so
groß sein wie die Anzahl der Merkmale und deren Anzahl sollte auf jeden Fall
größer sein als die Anzahl der vorgegebenen Klassen. Andernfalls werden Testdatensätze
erheblich schlechter klassifiziert als die Trainingsdaten.
Die Schätzung der Diskriminanzfunktion sollte zunächst nach Wilks Lambda
erfolgen und die Interpretation graphisch überprüft werden. Bei der eigentlichen
Klassifzierung sollten nur die signifikantesten Diskriminanzfunktionen in
die Analyse einbezogen werden.
FehlklassifikationenDen Fehlern der Diskriminanzanalyse, die in falschen Gruppenzuordnungen
zum Ausdruck kommen, muss nicht unbedingt eine falsche Parameterwahl
zugrunde liegen. Vielmehr ist oft das dahinter liegende Modell fehlerhaft. Nur
selten ist es möglich, eine abhängige Variable vollständig durch unabhängige
Variablen zu beschreiben, da häufig nicht erfassbare oder quantifizierbare Einflussfaktoren
existieren.
Sind alle Objekte richtig zugeordnet worden, besagt dies lediglich, dass die Zusammenhänge
in den Trainingsdaten richtig dargestellt wurden. Daraus folgt
jedoch nicht automatisch, dass dies auch für eine Klassifikation von Objekten
mit unbekannter Klassenzugehörigkeit gilt. Dies ist lediglich dann der Fall, wenn
die Trainingsdaten die Grundgesamtheit aller Objekte sehr gut repräsentiert und
die neu zu klassifizierenden Objekte ebenfalls dieser Grundgesamtheit entstammen.
Gibt es Unterschiede zwischen der Struktur der Grundgesamtheit und der
Trainingsdaten, so ergeben sich systematische Verzerrungen.
8