분류가 필요한 경우 치수 감소 대신 여러 가지 대체 기술을 사용할 수 있습니다. 예를 들어, 클래스는 분할 될 수 있으며, 표준 피셔 판별 또는 LDA는 각 파티션을 분류하는 데 사용됩니다. 이 것의 일반적인 예는 한 클래스의 포인트가 한 그룹에 배치되고 다른 모든 클래스의 다른 모든 것을 적용한 다음 LDA가 적용되는 “나머지 에 대한 것”입니다. 이렇게 하면 C 분류자가 생성되며, 그 결과 결합됩니다. 또 다른 일반적인 방법은 쌍으로 분류되는데, 각 클래스 쌍에 대해 새 분류기가 만들어지며(C-1)/2 분류기는 총으로 제공되며, 개별 분류기가 결합되어 최종 분류를 생성합니다. 두 개 이상의 클래스가 있는 경우 피셔 판별체 의 파생에 사용되는 분석을 확장하여 모든 클래스 가변성을 포함하는 하위 공간을 찾을 수 있습니다. [17] 이 일반화는 C. R. 라오 에 기인한다.

[18] 각 C 클래스에 평균 μ i {displaystyle mu _{i}와 동일한 공변 Σ {디스플레이 스타일 Sigma }가 있다고 가정합니다. 그런 다음 클래스 가변성 사이의 산란은 집단이 선험적(클러스터 분석과 달리)일 때 사용되는 차별적 분석수단을 의미하는 클래스의 샘플 공분산에 의해 정의될 수 있다. 각 사례는 하나 이상의 정량 적 예측 측정값에 대한 점수와 그룹 측정값의 점수가 있어야 합니다. [7] 간단히 말해서, 판별 함수 분석은 분류입니다 – 같은 유형의 그룹, 클래스 또는 범주로 사물을 배포하는 행위. LDA는 각 관측값에 대한 독립 변수에 대한 측정값이 연속 수량일 때 작동합니다. 범주형 독립 변수를 처리할 때 동등한 기술은 판별 대응 분석입니다. [5] [6] 선형 판별 분석(LDA) 및 주성분 해석(PCA)은 치수 감소에 일반적으로 사용되는 선형 변환 기법입니다. PCA는 클래스 레이블을 “무시”하고 그 목표는 데이터 집합의 분산을 최대화하는 방향(소위 주 성분)을 찾는 것이므로 “감독되지 않은” 알고리즘으로 설명할 수 있습니다. PCA와 달리 LDA는 “감독”되며 여러 클래스 간의 분리를 최대화하는 축을 나타내는 방향(“선형 판별자”)을 계산합니다.