Binarny target dzieli dane w zbiorze uczącym na dwie podgrupy. Celem liniowej funkcji dyskryminacyjnej jest konstrukcja estymatora, który na podstawie zmiennych objaśniających ma za zadanie przewidzieć, czy dana obserwacja jest z pierwszej czy z grupiej podgrupy (jaką ma wartość targetu).

Niech będzie wektorem zmiennych objaśniających (dla pojedynczej obserwacji). Binarna liniowa funkcja dyskyminacyjna:

gdzie są wektorami średnich wartości zmiennych objaśnianych w obu podgrupach i jest macierzą kowariancji obu podgrup, definiowaną jako

Wykorzystując liniową wartości funkcji dyskryminacyjnej, konstruowana jest funkcja klasyfikacyjna, która pozwala na przypisanie do jednej z dwóch podgrup (klas):

gdzie T jest progiem odcięcia klasyfikacji zdefiniowanym jako:

, jest a-priori danej podgrupy w danych uczących (udział procentowy danej podgrupy), a jest kosztem błędnej klasyfikacji, czyli błędnie przypisanej obserwacji z pogdupy i do podgrupy j. Taki koszt może być określany w Ustawienia_Algorytmu (AlgorithmSettings).

Analiza dyskryminacyjna jest typowym przykładem gdzie dane uczące zbudowane są z dwóch populacji opisanych za pomocą zmiennych objaśniających. W procesie modelowania zakłada się, że istnieją zmienne objaśniane dla których wartości średnie pomiędzy podgrupami różnią się. Podstawowym założeniem budwy modelu dyskryminacyjnego, w odróżnieniu od modelu regresji logistycznej jest założenie o tym że zmianne objaśniane mają rozkład normalny.

Innym istotnym założeniem modelu liniowego jest, że macierze kowariancji zmiennych objaśniających w obu podgrup są równe. To założenie to w ogólnym przypadku nie jest spełnione, więc ustawienia algorytmu umożliwiają wybór pomiędzy macierzą kowariancji pierwszej podgrupy, macierzą kowariancji drugiej podgrupy lub średnią z dwóch macierzy.

Jesli założenie o rozkładzie normalnym nie jest spełnione użytkownik może użyć model regresji logistycznej. Z drugiej strony jeśli oba powyższe założenia utrzymać, binarny model dyskryminacyjny powinien być bardziej efektywny w klasyfikacji uwzględniając poziom błędów klasyfikacji.