数学建模课件-多变量分析剖析.ppt

如欲对两类判别进行假设检验， 当例数n=n1+ n2较大时（通常取n50），则可用x2检验。当n不大时，则用F检验 由上可知，Fisher法则所确定的判别函数，须使两类的判别值满足以下要求：两类均数之差的平方与类内离均差平方和合计值的比值为最大。这样的做法，实质上是选择适当的投影方向，将m维空间中的点投影到低维空间中去，使同类的点尽可能地集中到一起，不同类的点尽可能地分开，这样就到达了分类目的。 第二节 Bayes判别分析 (一). Bayes准则 设有定义明确的g个总体π1,π2,…,πg, 分别为X1,X2,…,Xp的多元正态分布。对于任何一个个体, 若已知p个变量的观察值,要求判断该个体最可能属于哪一个总体。 如果我们制订了一个判别分类规则, 难免会发生错分现象。把实属第i类的个体错分到第j类的概率记为P(j｜i),这种错分造成的损失记为C(j｜i)。 Bayes判别准则就是平均损失最小的准则。按照这个准则去找一种判别分类的规则,就是Bayes判别。 (二). 分类函数 （g个类别，p个指标） Bayes准则下判别分析的分类函数形式如下： Y1=C01+C11X1+C21X2+……+Cp1Xp Y2=C02+C12X1+C22X2+……+Cp2Xp ………… Yg=C0g+C1gX1+C2gX2+……+CpgXp 即g个线性函数的联立方程，每个线性函数对应于某一类别。其中C0j，C1j，……，Cpj，（j=1,2,……,g）为需估计的参数。用SAS的DISCRIM过程可得到这些参数的估计值。判别函数建立后通常的判别准则为：如欲判断某样品属于上述g类中的哪一类，可将该样品的各Xi值代入式(17.1)中的各个方程，分别算出Y1，Y2，……，Yg等值。其中如Yf为最大则意味着该样品属第f类的概率最大，故判它属于第f类。 事前概率（prior probability）又称先验概率。如在所研究的总体中任取一个样品，该样品属于第f类别的概率为q(yf)，则称它为类别f的事前概率。例如， 阑尾炎病人总体中卡他性占50％，蜂窝织炎占30％，坏疽性占10％，腹膜炎占10％; 则在该总体中任取一个阑尾炎病人，该病人属于以上四型的概率分别为0.5，0.3，0.1和0.1, 它们也分别是这四类的事前概率。 (三). 事前概率 考虑事前概率时，判别函数如下式: Y1=C01+C11X1+C21X2+……+Cp1Xp+ln(q(Y1)) Y2=C02+C12X1+C22X2+……+Cp2Xp+ln(q(Y2)) ………… Yg=C0g+C1gX1+C2gX2+……+CpgXp+ln(q(Yg)) 差别仅仅在于ln(q(Yj))项 考虑事前概率可适当提高判别的敏感性。事前概率可据于文献报道或以往的大样本研究。但是困难在于事前概率往往不容易知道；如果训练样本是从所研究的总体中随机抽取的，则可用训练样本中各类的发生频率Q(Yj)来估计各类别的事前概率q(Yj)。如果事前概率未知，而又不可以用Q(Yj)来估计q(Yj)，就只能将事前概率取为相等值，即取q(Yj)=1/g。 (四). 事后概率 事后概率（posterior probability）又称后验概率。如果已知某样品各个指标Xi的观察值为Si，则在该条件下，样品属于Yj类别的概率P(Yj /S1,S2,…,SP)称为事后概率。事后概率和指标的值有关。 引入事后概率后，可用事后概率来描述某样品属于Yj类别的概率。这就使得判别的可靠性有一个数量的指标。 例：A1，A2，A3的事后概率为0.95，0.03和0.02 判为A1类的可靠性好。 A1，A2，A3的事后概率为0.40，0.30和0.30 判为A1类的可靠性差。 如欲判别某样品属于哪个类别时，可据样品各指标的取值S1，S2，……，SP代入判别函数，求得各类别之Y值，即Y1，Y2，……，Yg。 事后概率的计算公式为： 仅凭哪一个事后概