Описанный в п. 3.1.1 визуально-графический метод дает комплексную проверку условий применимости ЛДА. Если распределения ни одного из классов не распадаются на отдельные кластеры, то можно попытаться добиться большего совпадения с моделью Фишера с помощью параметрического преобразования координат [11, п. 10.3.4] или перехода к Т-нормальным распределениям (см. пп. 1.1.5 и 3.2.1).
3.3.2. Гипотеза о простой структуре зависимостей между признаками.
Примеры распределений с простой структурой связей даны в пп. 1.1.2 и 1.1.5. Независимость признаков, наличие ДСЗ или 
позволяют путем использования оценок 
учитывающих структуру зависимостей, заметно уменьшить ООК (см. § 2.3). Кроме того, в этом случае отбор информативных признаков носит неитеративный характер и всегда можно сказать, почему включен или не включен в число отобранных тот или иной признак (см. п. 1.4.1). Метод проверки гипотезы о наличии ДСЗ описан в п. 3.1.4. Эту проверку целесообразно проводить всегда.
3.3.3. Методы выделения информативных комбинаций координат.
Линейные комбинации — это главные компоненты общей ковариационной матрицы данных или главные компоненты, связанные с ковариационной матрицей одного из классов (см. п. 3.1.2). Последние легче интерпретировать, так как в них направления компонент статистически не зависят от средних второй совокупности. Иногда бывает целесообразным выделить, исходя из содержательных соображений, подгруппу 
координат, направленных на оценку только одного прямо не измеримого свойства объекта, и спроектировать 
на направление первой главной компоненты этой подгруппы для наибольшего класса. Обозначим проекцию 
. Замена 
на 
позволяет существенно сократить размерность пространства переменных, учитываемых в асимптотических формулах § 2.3.
3.3.4. Методы вычислений.
Если 
то в случае, когда распределения X близки к многомерным нормальным законам, можно использовать подстановочный алгоритм (см. п. 2.1.1), в остальных случаях лучше подгонять логистическую функцию (см. п. 3.2.3), как менее зависящую от гауссовости распределений. В случае 
р, когда нельзя сделать упрощающих предположений о зависимости координат (см. 3.3.2), целесообразно для уменьшения ООК использовать регуляризованные оценки 
(см. § 2.4).
3.3.5. Альтернативные алгоритмы.
Если исходные предположения ЛДА не выполняются (см. п. 3.3.1) и их выполнения нельзя добиться преобразованием координат или переходом к Т-нормальному варианту модели Фишера 
можно рекомендовать либо малопараметрические представления распределений в виде смесей (см. п. 1.1.3), либо использовать непараметрические методы 
и 3.2.4.
3.3.6. Другие вопросы.
В случае, когда предположения о простой структуре зависимостей не верны, отбор информативных переменных проводится с помощью общего подхода, изложенного в п. 1.4.3. Полученный результат контролируется при этом обычно с помощью оценки расстояния Махаланобиса (см. п. 3.4.3) и с учетом эффектов, описанных в § 2.5.
В случае, когда есть подозрение, что некоторые наблюдения в обучающей выборке 
могут быть определены с ошибкой (засоренные выборки), надо использовать устойчивые оценки параметров распределений, как это рекомендуется в п. 3.1.3.
при гипотезах 
(например, дискретность распределений) обычно не рассматривается в качестве серьезной помехи к применению линейной дискриминантной функции (ЛДФ). Более важны другие свойства модели: существование постоянных 
таких, чтобы 
да 
были бы примерно симметричны. Или даже просто выполнение условий 
