Dự đoán Bayes về xác suất thành viên lớp sau của LDA cũng theo một đường cong logistic.
[Efron, B. Hiệu quả của hồi quy logistic so với phân tích phân biệt đối xử thông thường, J Am Stat PGS, 70, 892-898 (1975).]
Mặc dù bài báo đó cho thấy hiệu quả tương đối của LDA là vượt trội so với LR nếu các giả định của LDA được đáp ứng (Tài liệu tham khảo: Efron ở trên, điểm cuối của @tthnps), theo Yếu tố học tập thống kê trong thực tế hầu như không có sự khác biệt.
[Hastie, T. và Tibshirani, R. và Friedman, J. Các yếu tố của học thống kê; Khai thác dữ liệu, suy luận và suy luận Springer Verlag, New York, 2009]
Hiệu quả tương đối tăng của LDA chủ yếu xảy ra trong các trường hợp không có triệu chứng trong đó sai số tuyệt đối thực tế là không đáng kể.
[Harrell, FE và Lee, KL
Mặc dù trong thực tế tôi đã gặp phải các tình huống cỡ mẫu nhỏ chiều cao trong đó LDA có vẻ vượt trội (mặc dù cả hai tính chất đa biến và các giả định ma trận hiệp phương sai đều không được đáp ứng).
[ Beleites, C.; Geiger, K.; Kirsch, M.; Sobottka, SB; Schackert, G. & Salzer, R. Raman phân loại quang phổ mô tế bào hình sao: sử dụng thông tin tham khảo mềm., Hậu môn Bioanal Chem, 400, 2801-2816 (2011). DOI: 10.1007 / s00216-011-4985-4 ]
Nhưng lưu ý rằng trong bài báo của chúng tôi, LR có thể đang vật lộn với vấn đề có thể tìm thấy các hướng có khả năng phân tách hoàn hảo (gần). Mặt khác, LDA có thể ít bị quá mức nghiêm trọng.
Các giả định nổi tiếng về LDA chỉ cần thiết để chứng minh sự lạc quan. Nếu chúng không được đáp ứng, thủ tục vẫn có thể là một heuristic tốt.
Một sự khác biệt quan trọng đối với tôi trong thực tế bởi vì các vấn đề phân loại mà tôi làm việc đôi khi / thường xuyên hóa ra thực sự không phải là vấn đề phân loại rõ ràng: LR có thể dễ dàng thực hiện với dữ liệu trong đó tham chiếu có mức độ thành viên trung gian của lớp. Rốt cuộc, nó là một kỹ thuật hồi quy .
[xem giấy liên kết ở trên]
Bạn có thể nói rằng LR tập trung nhiều hơn LDA vào các ví dụ gần ranh giới lớp và về cơ bản bỏ qua các trường hợp ở "mặt sau" của các bản phân phối.
Điều này cũng giải thích tại sao nó ít nhạy cảm hơn với các ngoại lệ (tức là những người ở phía sau) so với LDA.
(các máy vectơ hỗ trợ sẽ là một bộ phân loại đi theo hướng này đến cùng: ở đây mọi thứ trừ các trường hợp ở ranh giới đều bị bỏ qua)