Key points are not available for this paper at this time.
Une procédure est décrite impliquant l'utilisation itérative de l'analyse discriminante optimale univariable (UniODA) afin de construire un modèle d'arbre de classification pour distinguer les observations de différents groupes, disons A et B. Dans la première étape de la procédure, qui concerne l'échantillon entier, le meilleur discriminateur unique est sélectionné. Sur la base de cette étape, une partie de l'échantillon total est prédite comme provenant du groupe A (dont certains peuvent en fait provenir du groupe B, et sont donc mal classés), et le reste est prédit comme provenant du groupe B (dont certains peuvent en fait provenir du groupe A, et sont donc mal classés) ; ce sont des partitions de l'échantillon total. Dans les deuxième et étapes suivantes de la procédure, UniODA est utilisée pour identifier les attributs qui améliorent la précision de classification pour des sous-ensembles (partitions) successivement plus petits de l'échantillon total. Cette procédure permet d'obtenir une performance de classification hiérarchiquement optimale qui peut surpasser la performance de classification obtenue par des méthodologies linéaires. La procédure est illustrée à l'aide d'une application impliquant la discrimination entre des patients médicaux ambulatoires gériatriques et non gériatriques sur la base de leur état fonctionnel auto-évalué.
Paul R. Yarnold (Jeu,) a étudié cette question.