判别分析418003084.pptVIP

多维Fisher判别举例 判别分析 什么是判别分析 根据历史上划分类别的有关资料和某种最优准则，确定一种判别方法，判定一个新的样本归属哪一类。 数学语言叙述如下：设有n个样本，对每个样本测得p项指标（变量）的数据，已知每个样本属于k个类别（或总体）G1，G2， …，Gk中的某一类，且它们的分布函数分别为F1(x)，F2(x)， …，Fk(x)。我们希望利用这些数据，找出一种判别函数，使得这一函数具有某种最优性质，能把属于不同类别的样本点尽可能地区别开来，并对测得同样p项指标（变量）数据的一个新样本，能判定这个样本归属于哪一类。 判别分析方法分类 按判别的总体数来区分： 两个总体判别分析 多总体判别分析 按区分不同总体所用的数学模型来分 有线性判别 非线性判别 按判别时所处理的变量方法不同 有逐步判别 序贯判别等 判别分析可以从不同角度提出问题，因此有不同的判别准则，如马氏距离最小准则、Fisher准则、平均损失最小准则、最小平方准则、最大似然准则、最大概率准则等等，按判别准则的不同又提出多种判别方法。 线性判别 通常，通过获取的数据集构造分类器，而不是估计条件概率密度函数 线性判别方法简单直观 但很多情况下，线性判别给出的并非最优解 线性判别 线性判别 线性判别 Fisher判别 Fisher判别法是1936年提出来的，该方法的主要思想是通过将多维数据投影到某个方向上，投影的原则是将总体与总体之间尽可能的放开，然后再选择合适的判别规则，将新的样品进行分类判别。