10聚类解析.ppt

ZH ZH ZH ZH 鸢尾花数据(预测分类结果小结) 可以看出分错率 ZH Disc.sav例子 利用SPSS软件的逐步判别法淘汰了不显著的流动资金比例(cp)，还剩下七个变量is，se，sa，prr，ms，msr，cs，得到两个典型判别函数（Canonical Discriminant Function Coefficients）： 0.035IS+3.283SE+0.037SA-0.007PRR+0.068MS-0.023MSR-0.385CS-3.166 0.005IS+0.567SE+0.041SA+0.012PRR+0.048MS+0.044MSR-0.159CS-4.384 这两个函数实际上是由Fisher判别法得到的向两个方向的投影。这两个典则判别函数的系数是下面的SPSS输出得到的： ZH Disc.sav例子 根据这两个函数，从任何一个观测值（每个观测值都有7个变量值）都可以算出两个数。把这两个数目当成该观测值的坐标，这样数据中的150个观测值就是二维平面上的150个点。它们的点图在下面图中。 ZH ZH Disc.sav例子 从上图可以看出，第一个投影（相应于来自于第一个典则判别函数横坐标值）已经能够很好地分辨出三个企业类型了。这两个典则判别函数并不是平等的。其实一个函数就已经能够把这三类分清楚了。SPSS的一个输出就给出了这些判别函数（投影）的重要程度： 前面说过，投影的重要性是和特征值的贡献率有关。该表说明第一个函数的贡献率已经是99%了，而第二个只有1%。当然，二维图要容易看一些。投影之后，再根据各点的位置远近算出具体的判别公式（SPSS输出）： ZH Disc.sav例子 具体的判别公式（SPSS输出），由一张分类函数表给出： 该表给出了三个线性分类函数的系数。把每个观测点带入三个函数，就可以得到分别代表三类的三个值，哪个值最大，该点就属于相应的那一类。当然，用不着自己去算，计算机软件的选项可以把这些训练数据的每一个点按照这里的分类法分到某一类。当然，我们一开始就知道这些训练数据的各个观测值的归属，但即使是这些训练样本的观测值（企业）按照这里推导出的分类函数来分类，也不一定全都能够正确划分。 ZH Disc.sav例子 下面就是对我们的训练样本的分类结果（SPSS）： ZH 误判和正确判别率 从这个表来看，我们的分类能够100%地把训练数据的每一个观测值分到其本来的类。 该表分成两部分；上面一半（Original）是用从全部数据得到的判别函数来判断每一个点的结果（前面三行为判断结果的数目，而后三行为相应的百分比）。 下面一半（Cross validated）是对每一个观测值，都用缺少该观测的全部数据得到的判别函数来判断的结果。 这里的判别结果是100%判别正确，但一般并不一定。 ZH Disc.sav例子 如果就用这个数据，但不用所有的变量，而只用4个变量进行判别：企业规模（is）、服务(se)、雇员工资比例(sa)、资金周转速度(cs)。结果的图形和判别的正确与否就不一样了。下图为两个典则判别函数导出的150个企业的二维点图。它不如前面的图那么容易分清楚了 原先的图 ZH Disc.sav例子 下面是基于4个变量时分类结果表： 这个表的结果是有87个点（96.7%）得到正确划分，有3个点被错误判别；其中第二类有两个被误判为第一类，有一个被误判为第三类。 ZH 判别分析要注意什么？ 训练样本中必须有所有要判别的类型，分类必须清楚，不能有混杂。 要选择好可能用于判别的预测变量。这是最重要的一步。当然，在应用中，选择的余地不见得有多大。 要注意数据是否有不寻常的点或者模式存在。还要看预测变量中是否有些不适宜的；这可以用单变量方差分析（ANOVA）和相关分析来验证。 判别分析是为了正确地分类，但同时也要注意使用尽可能少的预测变量来达到这个目的。使用较少的变量意味着节省资源和易于对结果进行解释。 ZH 判别分析要注意什么？ 在计算中需要看关于各个类的有关变量的均值是否显著不同的检验结果（在SPSS选项中选择Wilks’ Lambda、Rao’s V、The Squared Mahalanobis Distance或The Sum of Unexplained Variations等检验的计算机输出），以确定是否分类结果是仅仅由于随机因素。 此外成员的权数（SPSS用prior probability，即“先验概率”，和贝叶斯统计的先验概率有区别）需要考虑；一般来说，加权要按照各类观测值的多少，观测值少的就要按照比例多加权。 对于多个判别函数，要弄清各自的重要性。 注意训练样本的正确和错误分类率。研究被误分类的观测值，看是否可以找出原因。 ZH SPSS选项 打开di