第四讲 聚类分析课件.pptVIP

第四讲聚类分析与判别分析;聚类分析;分 类;聚类分析;聚类分析（cluster analysis）;问题陈述;饮料数据（drink.sav ）;两个距离概念;两个距离概念;向量x=(x1,…, xp)与y=(y1,…, yp)之间的距离或相似系数;类Gp与类Gq之间的距离Dpq(d(xi,xj)表示点xi∈ Gp和xj ∈ Gq之间的距离);事先要确定分多少类：k-均值聚类 ;实例分析1;功能菜单;SPSS实现(聚类分析);;根据需要，可以输出哪些点分在一起。结果是：第一类为饮料1、10；第二类为饮料2、4、8、11、12、13、14；第三类为剩下的饮料3、5、6、7、9、15、16。;事先不用确定分多少类：分层聚类 ;聚类要注意的问题 ;实例分析2;功能菜单 点击Analyze→Classify →Hierarchical Cluster ;SPSS实现(聚类分析);结果分析--树型图;实例分析3 ;啤酒成分和价格数据（beer.sav);啤酒例子—结果分析;凝聚过程:Coefficients为不相似系数,由于是欧氏距离,小的先合并.;分为四类的聚类结果;冰柱图(icicle);聚类树型图;判别分析;主要内容;引言 ;引言;判别分析(discriminant analysis);判别分析;判别分析应用实例;企业打分数据 ;距离判别法;距离判别法;;距离判别的思想及方法;这里考虑;对于多个总体的距离判别问题，解决的思路类似;距离判别法;Fisher判别法;Fisher判别的基本思想;Fisher判别函数的构造;Fisher判别法;Fisher判别法;逐步判别法;企业例子;企业例子;牵坊乔亲鄙搜抖侨呸邻择摇杯崩载闯脑扯留嘱枪层珊根俭驰沉奏挡故靖松第四讲 聚类分析课件第四讲 聚类分析课件;企业例子;企业例子;企业例子;误判和正确判别率;企业例子;企业例子;实例分析;实例分析;功能菜单; Statistics…按钮，指定输出的描述统计量和判别函数系数。Function Coefficients栏中的两个选项的含义如下： Fisher’s：给出Bayes判别函数的系数。（注意：这个选项不是要给出Fisher判别函数的系数。这个复选框的名字之所以为Fisher’s，是因为按判别函数值最大的一组进行归类这种思想是由Fisher提出来的）;; Save按钮，指定在数据文件中生成代表判别分组结果和判别得分的新变量，生成的新变量的含义分别为： Predicted group membership：存放判别样品所属组别的值； Discriminant scores：存放Fisher判别得分的值，有几个典型判别函数就??几个判别得分变量； Probabilities of group membership：存放样品属于各组的Bayes后验概率值。;结果分析(数据分析过程简明表);结果分析(原始数据的描述);结果分析(合并类内相关阵和协方差阵);结果分析(总协方差阵);结果分析(特征值表)Eigenvalue:用于分析的前两个典则判别函数的特征值, 是组间平方和与组内平方和之比值. 最大特征值与组均值最大的向量对应, 第二大特征值对应着次大的组均值向量典则相关系数(canonical correlation):是组间平方和与总平方和之比的平方根.被平方的是由组间差异解释的变异总和的比.;结果分析(Wilks’ Lambda统计量)检验的零假设是各组变量均值相等. Lambda接近0表示组均值不同,接近1表示组均值没有不同. Chi-square是lambda的卡方转换, 用于确定其显著性. ;结果分析(有关判别函数的输出);结果分析(有关判别函数的输出);结果分析(有关判别函数的输出)这是类均值(重心)处的典则判别函数值;结果分析(用判别函数对观测量分类结果);等码黑自胳愁帮巷谤菱衫险吉择澜墅闰樟缸鹿汪葱涂限幅铭庶俄肾庐汰饿第四讲 聚类分析课件第四讲 聚类分析课件;结果分析(预测分类结果)