แนวทางการวิเคราะห์แบ่งแยก (Discriminant Analysis) ขึ้นอยู่กับสมมติฐานหลักสองข้อเพื่อให้คะแนนการจำแนกประเภท — แรก มันพิจารณาว่าการวัดตัวทำนาย (Predictor Measurements) ในบางคลาสมาจากการกระจายปกติหลายมิติ (Multivariate Normal Distribution) เมื่อสมมติฐานนี้ประกอบได้อย่างสมเหตุสมผล การวิเคราะห์แบ่งแยกเป็นเครื่องมือที่ทรงพลังกว่าวิธีการจำแนกประเภทอื่นๆ รวมถึงการถดถอยลอจิสติก (Logistic Regression)
แสดงให้เห็นว่าการวิเคราะห์แบ่งแยกมีประสิทธิภาพมากกว่าการถดถอยลอจิสติก 30% หากข้อมูลเป็น multivariate normal ต้องการระเบียนน้อยลง 30% เพื่อให้ผลลัพธ์เท่ากัน แสดงให้เห็นว่าวิธีนี้ค่อนข้างทนทาน (Robust) ต่อการเบี่ยงเบนจากความปกติในแง่ที่ตัวทำนายสามารถเป็น non-normal และแม้แต่วันมีตัวแปร (Dummy Variables)
สิ่งนี้เป็นจริงโดยคำนึงถึงคลาสที่เล็กที่สุดมีขนาดเพียงพอ (ประมาณมากกว่า 20 ระเบียน) วิธีนี้ยังเรียกว่าสมัครไวต่อค่าผิดปกติ (Outliers) ทั้งในพื้นที่ยูนิเวริเอต (Univariate) ของตัวทำนายแต่ละตัว และในพื้นที่หลายมิติ (Multivariate) การวิเคราะห์เชิงสำรวจ (Exploratory Analysis) ควรใช้เพื่อค้นหาวิธีสุดขั้วและตัดสินใจว่าสามารถกำจัดได้หรือไม่
สมมติฐานที่สองหลังการวิเคราะห์แบ่งแยกคือโครงสร้างความสัมพันธ์ (Correlation Structure) ระหว่างตัวทำนายหลายตัวภายในคลาสหนึ่งเหมือนกันทั่วทั้งคลาส สามารถตรวจสอบได้โดยการคำนวณเมทริกซ์ความสัมพันธ์ระหว่างตัวทำนายแยกกันสำหรับแต่ละคลาสและเปรียบเทียบเมทริกซ์
หากความสัมพันธ์แตกต่างกันอย่างมากทั่วทั้งคลาส ตัวแบ่งประเภทจะมีแนวโน้มที่จะจัดระเบียนเข้าไปในคลาสที่มีความแปรปรวนสูงสุด เมื่อโครงสร้างความสัมพันธ์แตกต่างกันอย่างมีนัยสำคัญและชุดข้อมูลใหญ่ ทางเลือกหนึ่งคือต้องการการวิเคราะห์แบ่งแยกแบบควอдраติก (Quadratic Discriminant Analysis)
แนวทางที่ปานกลางคือทำการวิเคราะห์เชิงสำรวจบางส่วนเกี่ยวกับความปกติและความสัมพันธ์ ฝึกอบรมและคำนวณโมเดล แล้ว berdasarkan ความแม่นยำการจำแนกประเภทและสิ่งที่เรียนรู้จากการสำรวจเดิม วนกลับมาสำรวจเพิ่มเติมว่าควรตรวจสอบค่าผิดปกติหรือเลือกตัวแปรทำนายใหม่หรือไม่
ข้อโต้แย้งเดียวกันสำหรับการใช้กลุ่มตรวจสอบ (Validation Set) สำหรับคำนวณประสิทธิภาพยังคงใช้ได้ ตัวอย่างเช่น ในครอบครัวรถตัดหญ้าขี่ (Riding Mowers) ระเบียน 1, 13, และ 17 ถูกจำแนกผิด นี่หมายความว่าโมเดลให้อัตราข้อผิดพลาด 12.5% สำหรับระเบียนเหล่านี้
อัตรานี้เป็นขนาดที่มีอคติ (Biased Measure) — มันเป็นเชิงบวก (Optimistic) เพราะใช้ข้อมูลเดียวกันสำหรับการปรับฟังก์ชันการจำแนกประเภทและคำนวณข้อผิดพลาด ดังนั้นเหมือนกับหลายโมเดล สามารถตรวจสอบประสิทธิภาพบนชุดตรวจสอบที่มีข้อมูลที่ไม่ได้รวมในการคำนวณฟังก์ชันการจำแนกประเภท
สามารถได้แมทริกซ์ความสับสน (Confusion Matrix) จากการวิเคราะห์แบ่งแยก สามารถต้องการคะแนนการจำแนกประเภทอย่างแม่นยำหรือความเชื่อมโยง (Propensities / ความน่าจะเป็นของการลงทะเบียนคลาส) ที่คำนวณจากคะแนนการจำแนกประเภท ในทั้งสองกรณี กำหนดการมอบหมายคลาสของแต่ละระเบียนขึ้นอยู่กับคะแนนหรือความน่าจะเป็นที่ใหญ่ที่สุด สามารถเปรียบเทียบการจำแนกประเภทเหล่านี้กับสมาชิกคลาสจริงของข้อมูลเหล่านี้ นี่ให้แมทริกซ์ความสับสน
วิเคราะห์ประสิทธิภาพ Discriminant Analysis: สมมติฐาน Multivariate Normal, เปรียบเทียบ Logistic Regression (มีประสิทธิภาพมาก 30%), ความทนทานต่อ Non-normality, ความไวต่อ Outliers, Correlation Structure, Quadratic DA, Validation Set และ Confusion Matrix
