第六章判别0资料.ppt

例1： 　 x1 x2 x3 高水平 76 99 5374 79.5 99 5359 78 99 5372 72.1 95.9 5242 73.8 77 5370 中水平 71.2 93 4250 75.3 94.9 3412 70 91.2 3390 72.8 99 2300 62.9 80.6 3799 待判 68.5 79.3 1950 69.9 96.9 2840 77.6 93.8 5233 69.3 90.3 5158 变量 均值向量 协方差矩阵的估计 高 中 x1 75.88 70.44 153.8 218.95 -5558.75 x2 93.98 91.74 218.95 695.35 -14484.25 x3 5343.4 3430.2 -5558.75 -14484.25 2625465 * * * * * * 21个正常企业4项指标的均值和协方差 问题转化为若 ，则判 。 上式两边取对数并去掉与i无关的项，则等价的判别函数为： 当协方差阵相等 去掉相同的部分得： 问题转化为若 ，则判 。 完全成为距离判别法 。 有 当先验概率相等， 去掉相同的部分得： 例1： 　 x1 x2 x3 高水平 76 99 5374 79.5 99 5359 78 99 5372 72.1 95.9 5242 73.8 77 5370 中水平 71.2 93 4250 75.3 94.9 3412 70 91.2 3390 72.8 99 2300 62.9 80.6 3799 待判 68.5 79.3 1950 69.9 96.9 2840 77.6 93.8 5233 69.3 90.3 5158 变量 均值向量 协方差矩阵的估计 高 中 x1 75.88 70.44 153.8 218.95 -5558.75 x2 93.98 91.74 218.95 695.35 -14484.25 x3 5343.4 3430.2 -5558.75 -14484.25 2625465 § 费歇判别 2 1 2.1 1.5 2.5 1.25 1.9 1.4 1.8 0.8 1.78 0.79 1.69 0.68 2.5 0.99 2.61 0.68 2.22 0.79 1.99 1.2 0.8 -0.88 0.6 -0.97 0.48 -0.9 0.99 -0.91 0.86 -0.8 0.5 -1.1 3.78 3.33 4.4 3.55 4.15 3.19 4.51 3.3 4.4 3.26 Fisher判别法实际上是致力于寻找一个最能反映组和组之间差异的投影方向，即寻找线性判别函数 ，设有 个总体 ，分别有均值向量 ， , 和协方差阵 , 分别各总体中得到样品： 第3类内离差平方和 　 均值向量 第一类 4.248 3.326 第二类 2.099091 1.007273 第三类 0.705 -0.92667 总的 2.207273 1.006818 1.017091 0.064073 0.064073 0.845018 第2类内离差平方和 0.21795 0.0629 0.0629 0.051133 第1类内离差平方和 0.34348 0.02866 0.02866 0.07372 总的离差平方和 36.07104 41.24691 41.24691 50.29308 类内离差平方和之和 类间离差平方和之和 1.578521 0.155633 0.155633 0.969872 34.49252 41.09128 41.09128 49.32321 投影类内离差平方和之和 投影类间离差平方和之和 34.49252 41.09128 41.09128 49.32321 c1 c2 c1 c2 c1 c2 c1 c2 c1 c2 是下列矩阵最大特征根对应的特征向量 1.578521 0.155633 0.155633 0.969872 组间离差平方和 如果判别分析是有效的，则所有的样品的线性组合 满足组内离差平方和小，而组间离差平方和大。则 而 所对应的特征向量即 。 Fisher样品判别函数是 然而，如果组数k太大，讨论的指标太多