■ニクラス分類KY法
先のブログにて、現在までに開発されたKY法（ニクラス分類３種類、重回帰（フィッティング）３種類）をリストアップしました。言葉だけでは手法の概要がわかりにくいので、簡単な概念図をアップします。これらの図からKY法の特徴を理解してください。
KY法は、サンプル空間のニクラスデータを判別関数（予測モデル）を用いて、いかにして分類するかだけの手続き的な手法なので理解しやすいと思います。分類に利用する判別関数は従来のニクラス分類手法を適用します。この場合、線形及び非線形の種類は問いません。
１．２モデル２クラス分類KY法
＊第一手順：クラスサンプルが混在しない二領域と混在する一領域への分割
＊第二手順：混在する領域に属するサンプルを対象として第一手順を繰り返す。
２．１モデル２クラス分類KY法
本手法では判別関数を一本しか利用しません。クラス分布で重複のない判別得点を決定し、この値よりの大小でサンプルをクラス分けします。判別得点が小さいものは、ニクラスサンプルが混在しています。２モデル２クラス分類KY法の２本のモデル（判別関数）による最初の分類と同じ結果が得られます。この操作を、混在領域のサンプルに適用し、完全分類できるまで繰り返し実施します。
３．モデルフリー２クラス分類KY法
図的には２とほとんど同じですが、最終的に取り出されるクラス決定済みサンプルは判別関数から最も離れた部分（判別得点が最大）やその近辺に位置するサンプルを取り出す。この操作を繰り返すのが特徴です。この特徴より、分類／予測精度が向上し、システムの完全自動化も可能となります。判別関数は当該のサンプルデータセットに対して都度作成されます。この結果、予測モデルをあらかじめ作成しておく必要がなくなります。また、新規サンプルもサンプルデータセットに追加するだけで良く、常に最新のデータセットを用いての分類／予測が可能となります。サンプル数も極めて大きなサンプルを用いて実行できます。
