विवेचक विश्लेषण दृष्टिकोण वर्गीकरण स्कोर पर पहुंचने के लिए दो मुख्य मान्यताओं पर निर्भर करता है - पहला, यह मानता है कि कुछ कक्षाओं में भविष्यवक्ता माप एक बहुचर सामान्य वितरण से आते हैं। जब यह परिकल्पना यथोचित रूप से इकट्ठी होती है, तो विवेचक विश्लेषण लॉजिस्टिक रिग्रेशन सहित अन्य वर्गीकरण विधियों की तुलना में एक गतिशील उपकरण है।
यह प्रदर्शित किया गया है कि यदि डेटा बहुचर सामान्य है तो विवेचक विश्लेषण लॉजिस्टिक रिग्रेशन की तुलना में 30% अधिक प्रभावी है, इसे समान परिणामों पर पहुंचने के लिए 30% कम रिकॉर्ड की आवश्यकता होती है। यह प्रदर्शित किया गया है कि यह विधि सामान्यता से प्रस्थान के लिए अपेक्षाकृत मजबूत है, इस अर्थ में कि भविष्यवक्ता गैर-सामान्य हो सकते हैं और यहां तक कि डमी चर भी।
यह तब तक सच है जब तक सबसे छोटी कक्षा पर्याप्त रूप से बड़ी है (लगभग 20 से अधिक रिकॉर्ड)। यह दृष्टिकोण व्यक्तिगत भविष्यवक्ताओं के एकवेरिएट क्षेत्र और बहुचर क्षेत्र दोनों में आउटलेर के प्रति संवेदनशील भी कहा जाता है। खोजपूर्ण विश्लेषण का उपयोग चरम तरीकों का पता लगाने और यह तय करने के लिए किया जाना चाहिए कि क्या उन्हें हटाया जा सकता है।
विवेचक विश्लेषण के बाद दूसरी मान्यता यह है कि एक कक्षा के अंदर कई भविष्यवक्ताओं के बीच सहसंबंध संरचना कक्षाओं में समान है। इसकी जांच प्रत्येक कक्षा के लिए अलग-अलग भविष्यवक्ताओं के बीच सहसंबंध मैट्रिक्स की गणना करके और मैट्रिक्स की तुलना करके की जा सकती है।
यदि सहसंबंध कक्षाओं में काफी भिन्न हैं, तो क्लासिफायर उच्चतम परिवर्तनशीलता वाली कक्षा में रिकॉर्ड को परिभाषित करने के लिए प्रभावित होगा। जब सहसंबंध संरचना अनिवार्य रूप से भिन्न होती है और डेटासेट बड़ा होता है, तो एक विकल्प द्विघात विवेचक विश्लेषण की आवश्यकता होती है।
एक मध्यम दृष्टिकोण सामान्यता और सहसंबंध के बारे में कुछ खोजपूर्ण विश्लेषण करना है, एक मॉडल को प्रशिक्षित और गणना करना है, फिर वर्गीकरण सटीकता और मूल अन्वेषण से क्या सीखा गया है, उसके आधार पर, वापस सर्कल करें और आगे खोजें कि क्या आउटलेर की जांच की जानी चाहिए या भविष्यवक्ता चर के विकल्प पर पुनर्विचार किया जाना चाहिए।
प्रदर्शन की गणना के लिए सत्यापन समूह का उपयोग करने के लिए समान तर्क अभी भी लागू होता है। उदाहरण के लिए, राइडिंग मोवर्स परिवारों 1, 13, और 17 को गलत वर्गीकृत किया गया है। इसका मतलब है कि मॉडल इन रिकॉर्ड के लिए 12.5% की त्रुटि दर देता है।
यह दर एक पक्षपाती माप है - यह आशावादी है क्योंकि वर्गीकरण कार्यों को फिट करने और त्रुटि की गणना के लिए समान डेटा का उपयोग किया जा सकता है। इसलिए, कई मॉडलों की तरह, यह एक सत्यापन सेट पर प्रदर्शन की जांच कर सकता है जिसमें वह डेटा होता है जो वर्गीकरण कार्यों की गणना में शामिल नहीं थे।
यह विवेचक विश्लेषण से भ्रम मैट्रिक्स प्राप्त कर सकता है, यह वर्गीकरण स्कोर को सटीक रूप से या वर्गीकरण स्कोर से गणना की गई प्रवृत्ति (कक्षा नामांकन की संभावनाएं) की आवश्यकता हो सकती है। दोनों मामलों में, प्रत्येक रिकॉर्ड के कक्षा असाइनमेंट को सबसे बड़े स्कोर या संभावना के आधार पर निर्धारित किया जाता है। यह इन वर्गीकरणों की तुलना इन डेटा की वास्तविक कक्षा सदस्यता से कर सकता है। इससे भ्रम मैट्रिक्स प्राप्त होता है।
