判别分析解明明.pptVIP

判别分析 —discriminant 报告人：解明明 指导教师:谢邦昌 日期：2007年11月 主要内容 判别分析介绍 Fisher判别 Bayes判别 逐步判别 案例分析 判别分析介绍 判别分析是指对分类因变量的建模，依据是因变量与一个或多个解释变量的关系。 主要目的是识别一个个体所属的类别。 模型的假设 判别分析模型有如下的假设： 如果假设满足，尤其是在样本量比较小的情况下，Clementine能给出更好的结果。 Fisher判别 Bayes判别 案例分析 假设有一个电信供应商已经根据客户业务的使用情况将他们分为了四个组别。如果人口统计学数据可以用来预测客户的组别的话，我们就可以为潜在的客户定制用户化的服务。 这四个组别分别为： 双击来源选项板（Sources）中的SPSS节点，数据流区域即可出现SPSS节点。 数据流区域（Stream canvas）中双击SPSS节点，在Import File 中选择我们所要分析的数据。 在收藏夹（Favorites）选项板或字段操作选项板（Field ops）中双击类型（Type）节点,来检查是否所有的变量的类型都被正确的定义。 由于custcat是我们要预测的变量，在方向（direction）里我们选为输出（out） 由于本案例关注的是人口统计学变量，所以我们增加一个过滤（Filter）节点，单击Annotations将其重命名。 根据分析目的，我们只选择region, age, marital, address, income, ed, employ, retire, gender, reside和 custcat这几个变量。 从模型选项（Modeling）加入判别分析（dicriminant）的节点。并在Annotations中改名为“判别分析”。 在判别分析中点模型键（Model），并在方法（Method）中选逐步判别（stepwise）。 在专家（Expert）键中，选择Expert,单击输出（output），选择如左图所示的选项。 选择执行（Execute）后，在右上角点Models,双击custat，在数据流区域变出现改节点，双击改节点便可以查看结果。 这张表格展示了逐步判别中每次进入分析的变量，可见最后模型只选择了3个变量。 逐步判别可以自动帮我们选择变量。但是如果我们对于数据有一定的经验知道哪些变量是重要的，选择逐步判别就是很不明智的，因为这样选出来的变量可能除了统计意义外，没有任何的实际意义。 右表为标准化的典型判别函数的系数。 右图是输出的领域图。它给出了预测变量和组别间的关系。 右图是结果，可见模型要比随便猜的结果好。 参考文献 Clementine 帮助 多元统计分析 何晓群 中国人民大学出版社 * 统计分析、数据挖掘与商业智能应用研究小组 * 统计分析、数据挖掘与商业智能应用研究小组 解释变量间不存在多重共线性。 对于一个解释变量其均值和方差不相关。 在不同组间两个变量的相关系数是不变的。 每一个解释变量的值服从正态分布。 Fisher判别的思想是投影，将k 组p维数投影到某一个方向，使得他们的投影组与组之间尽可能的分开。 Bayes判别的统计思想是：假定对研究的对象已有一定的认识，常用先验概率分布来描述这种认识，然后我们取得一个样本，用样本来修正已有的知识（先验概率分布），得到后验概率分布，各种统计推断都通过后验概率分布来进行。将这种思想用于判别分析，就得到贝页斯判别。 由右边第一张表可见前两个线性判别函数可以解释大部分的变异 第二张表是四个组标准化后均值的位置。