数学建模种种方法之思想概述.docVIP

数学建模种种方法之思想概述 一．Discriminant Analysis 判别分析法（discriminant analysis）：在已知的分类之下，遇到新的样本时，可以利用此法选定一判别标准，以判定如何将新样本放置于那个族群中。而分群分析法，则是将一群具有相关性的数据加以分类。换句话说，设有数个群体时，取数个变量(说明变量)组，作出适当的判别标准(线性函数)时，即可辨别该群体的归属。 【举例】. 已知有两群人：假设有一群是韩国人，另一群是日本人。现在新来了一位某甲，问某甲是韩国人呢，还是日本人？判别分析回答这样的问题。而若假设有一大群人混在一起，里面包括了日本、韩国、泰国，马来西亚等，将他们一一分辨出来，这就是分群分析法。 【注：】判别分析是一种预测导向的统计方法，用以事后鉴定，以建立判别函数手段，其目的有四： １．找出预测变量的线性组合，各线性组合之间不相关； ２．检定各群（组）重心是否有差异； ３．找出那些预测变量具有区别能力； ４．根据新受试者的预测变量值，将该受试者指派到某一群体。 判别分析法之用途很多，如动植物分类，医学疾病诊断，小区种类划分，气象区（或农业气象区）之划分，商品等级分类，职业依能力分类，以及人类考古学上之年代及人种分类等等均可利用。 二．Cluster Analysis 1、集群分析法是一种多变量分析方法，统计学家通常应用集群分析法来对数据做简化及分类，即把相似的个体(观测物)归于一群。而相似的标准为何、多相似才能归为一群，则是需要探讨的问题；集群分析的结果若没有信息(information)，则结果究竟适不适合，也是一大考验。因此分析时的目标非常重要，在分析进行中各种因子的选择皆须视试验者的目标而做决定，不同的因子决策造成的结果也往往不同。 2、集群分析法的目的：对数据作简化的工作及分类；将相似的个体归为一群；使同一群的差异最小。 3、集群分析法之过程： (一)搜集数据(Data collection)：在收集数据时，应先确立工作之目标，而后选择有代表性的，采用最好的单位测量，并且要注意数据是否得经过转换。 (二)转换成相似矩阵(Transformation to similary matrix)：计算出物体间两两之相似系数(similation coef.)，存放于某矩阵中。由于集群分析是把相似性大的物体归为一群，所以对于相似性的探讨也就格外重要。 四、层次集群分析(Hierarchical clustering methods) 根据相似性统计量，将样本或变量进行集群的主要方法为： (一)系统集群法：系统集群法是目前国内外使用得最多的一种集群方法：先将集群的样本或变量各自看成一群，然后确定群与群之间的相似统计量，并选择最接近的两群或若干个群合并成一个新群；然后计算新群与其它各群之间的相似性统计量，再选择最接近的两群或若干群合并成一个新群，以此类推，直到所有的样本或变量都合并成一群为止。 【注】系统集群法以距离为相似统计量时，确定新群与其它各群之间距离的方法，如最短距离法、最长距离法、中间距离法、重心法、群平均法、离差平方和法等等。系统集群法的优点是集群比较准确，缺点是集群的次数较多，每集群一次只能减少一群或若干个群，每一次都需要计算两两样品或小群之间的距离或其它相似性统计量，做起来比较麻烦。 (二)逐步集群法：逐步集群法做起来会方便一些：以若干个样品为初始凝聚点，先计算各样本与凝聚点的距离或其它相似性统计量，进行初始集群，再根据初始集群计算各群的重心作为新的凝聚点，进行第二次集群；给定一个初始的集群方案，再按某种最优法则，逐步调整集群方案，直到得到最优的集群方案。用逐步集群法解题的关键是凝聚点的选择及集群结果的调整，常用的方法有成批调整法、逐个调整法及离差平方和法。 (三)逐步分解法：先将所有的样品或变量看成一群，然后再一次又一次地将某些群进行分解，直到各个群都不能分解为止。 (四)有序样本的集群：这种方法适用于有顺序的对象，集群后既保持了各个对象原有的顺序，又按照某种最优法则分割为若干个互有差异的群别。 【注】集群分析的功能在将变量或观察值分类，即将最相似的变量或观察值合并成一个集群(CLUSTER)。集群分析与判别分析最大的不同在于：判别分析是将事先已分类好的观察值，选取有效的分类样本，求其判别函数，将观察值进行适当分类；而集群分析则不需事先将观察值分类，直接以观察值的属性进行集群分析。 三．Factor Analysis 1、因素分析法(FA)：希望能够降低变量的数目，不同的是在一群具有相关性的数据中，找出几个影响原始数据的共同因素。统计上而言，主成份分析着重于〝转换〞原始变量使之成为一些’’综合性’’的新指标，其关键在『变异数』问题。与主成份分析不同，因素分析着重于解得变量之间的「