统计学判别分析PPT.ppt

统计学;第十二章 判别分析 ;12.1 判别分析(discriminant analysis) ;判别分析(discriminant analysis);判别分析例子;1. 根据距离判别的思想;1. 根据距离判别的思想;2. Fisher判别法(先进行投影);;2. Fisher判别法(先进行投影);Fisher判别法的数学;3.逐步判别法(仅仅是在前面的方法中加入变量选择的功能);Disc.txt例子;Disc.txt例子;;Disc.txt例子;Disc.txt例子;Disc.txt例子;误判和正确判别率;Disc.txt例子;Disc.txt例子;12.2判别分析要注意什么？;判别分析要注意什么？;判别分析要注意什么？;SPSS选项;附录;费歇(Fisher)判别法;将Gm组中数据投影的均值记为 有;组间离差平方和为:;注:L=|E|/|B+E|为有Wilks分布的检验零假设H0:m(1)=…= m(k)的似然比统计量. Wilks分布常用c2分布近似(Bartlett);希望寻找a使得SSG尽可能大而SSE尽可能小,即;m个判别函数的判别能力定义为;判别分析(Discriminant Analysis) ;和聚类分析的关系;距离判别法;Mahalanobis距离;线性判别函数:当S(1)=S(2)=S时;当m(1), m(2), S 已知时, 令a= S-1(m(1)- m(2) ) ≡(a1,…, ap)’,则;当m(1), m(2), S 未知时, 可通过样本来估计:;非线性判别函数:当S(1) ≠S(2)时;多总体时的线性判别函数:当S(1)=…=S(k)=S时;非线性判别函数:当S(1) ,…, S(k) 不等时;m个判别函数的判别能力定义为;总体方差不等时,注意到 的样本方差为 ;用m个线性判别函数yi(x) =vi’x,i=1,…,m,时, 先将样本点在L(vi,…,vm )空间投影再按照p1情况的距离判别法来制定判别规则. 判别能力为;m=1时, 不加权法:;m1时, 不加权法: 记 对x=(x1,…,)’, yl(x)=v(l)’x;Bayes判别法;逐步判别法;鸢尾花数据(花瓣,花萼的长宽) 5个变量:花瓣长(slen),花瓣宽(swid), 花萼长(plen), 花萼宽(pwid), 分类号(1:Setosa, 2:Versicolor, 3:Virginica)(data14-04);Statistics→Classify →Discriminant: Variables: independent (slen,swid,plen,pwid) Grouping(spno) Define range(min-1,max-3) Classify: prior probability(All group equal) use covariance matrix (Within-groups) Plots (Combined-groups, Separate-groups, Territorial map) Display (Summary table) Statistics: Descriptive (Means) Function Coefficients (Fisher’s, Unstandardized) Matrix (Within-groups correlation, Within-groups covariance, Separate-groups covariance, Total covariance) Save: (Predicted group membership, Discriminant Scores, Probability of group membership);鸢尾花数据(数据分析过程简明表);鸢尾花数据(原始数据的描述);鸢尾花数据(合并类内相关阵和协方差阵);鸢尾花数据(总协方差阵);鸢尾花数据(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.;鸢尾花数据(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. ;鸢尾花数据(有关判别函数的输出);鸢尾花数据(有关判别函数的输出);鸢尾花数据(