Publication detail

Statistické zpracování vodohospodářských dat, 10. Klasifikace podzemních vod diskriminační analýzou

Authors: Meloun Milan | Freisleben Jindřich

Year: 2009

Type of publication: článek v odborném periodiku

Name of source: Vodní hospodářství

Publisher name: Vodní hospodářství, spol. s r.o.,

Place: Praha

Page from-to: 75-80

Titles:

Language	Name	Abstract	Keywords
cze	Statistické zpracování vodohospodářských dat, 10. Klasifikace podzemních vod diskriminační analýzou	Diskriminační analýza umožňuje hodnocení rozdílů mezi dvěma nebo více skupinami objektů charakterizovaných více znaky-diskriminátory. Jsou porovnávány diskriminátory každého objektu (například charakteristiky sloučenin, vlastnosti objektu, atd.) se znaky ostatních objektů. Na základě podobností nebo rozdílů se pak provede klasifikace vzorků podzemních vod buď čistě subjektivně na základě zkušeností, nebo objektivními metodami. Na základě diagramů diskriminačního skóre jsou klasifikovány vzorky podzemních vod do tří tříd. Všechny diskriminátory naměřené chemickou analýzou nebyly shledány vhodné pro dostatečně přesné přiřazení objektů podzemních vod lineární diskriminační analýzou. Procento správně zařazených objektů v rámci třídy mělkých vrtů je dost nízké, pouze 58 %. Příčina může být jednak v tom, že monitorované ukazatele nemají dostatečnou diskriminační "sílu" a také v tom, že většina diskriminátorů vykazuje jiné než normální rozdělení.	DA; PCA; CM; Cattelův graf; diskriminace; klasifikace; diskriminační skóre; Fisherova diskriminační funkce;
eng	Computer-Assisted Statistical Data Analysis. 10. Classification of underground water using a discriminant analysis	The linear discriminant analysis enables classification among two or more groups of objects being described with more variables. The investigator has one set of multivariate observations, the training set, for which group membership is known with certainty a priori, and a second set, the test set, consisting of observations for which group membership is unknown and which have to be assigned to one of the known groups as accurately as possible. The information used in deriving a suitable allocation rule is the variable values of the training sample. Areas where this type of classification problem is of importance are numerous. To illustrate the application of Fisher´s linear discriminant function the sample data of underground water was used to classify samples into three various source classes. Percentage of truly classified samples, however, is not high, 58% only, because the measured variables have low disciminant power for an efficient classification and mostly exhibit non-normal distribution.	DA, PCA, Cattel´s graf, discriminant analysis, discriminant score, supervised learning, training set, Fisher discriminant function

Search

Login for students

Login for employees

Publication detail

Departments

Other Parts

Map

Services

Popular Links