《多元统计分析及R语言》第6章判别分析.pptxVIP

问题提出雨天（A）晴天（B）组别湿温差气温差组别湿温差气温差1-1.93.220.26.21-6.90.42-0.17.515.2220.414.6152.522.78.3已知湿温差气温差7.306.812.70.9-5.4-12.5-2.5问题： 分析判断以上数据属于雨天还是晴天？Bayes判别（概率性）线性判别距离判别非线性判别方法Fisher判别（确定性）典型判别第6章 判别分析6.1 判别分析的概念6.2 线性判别分析6.3 距离判别法6.4 Bayes 判别法6.1 判别分析概念思想：在一些已知研究对象用某种方法已经分成若干类的情况下，确定新的样本属于已知类别中的哪一类。判别分析根据先前分类构建判别函数判别标准:Fisher判别和Bayes判别判别新样品归属6.2 线性判别分析思想：使用线性判别函数，将描述样本属性的多指标变成单变量值，根据标准确定样本归属。X1X2…XpY1x11x12…x1p12x21x22…x2p1………………n1xn11xn12…xn1p11…………22.…………2………………n2xn21xn22…xn2p2线性判别函数:1.求Fisher两类线性判别函数基本原则：类之间的变异尽可能大，类内部变异尽可能小，变异用离均差平方和表示分离度：合并协方差矩阵：结论：选择适当的x的线性组合，使得均值之间的分离度λ达到最大。最大值：结论：通过以上定理，得到系数a的估计值。2.计算判别界值计算各类判别值均值：两均值中点为界点：3.建立判别标准（1）当 时，YY0,则X∈G1，否则X∈G2（2）当 时，YY0,则X∈G2，否则X∈G1（3）当 时，待判 4.实例分析雨天（A）晴天（B）组别湿温差气温差组别湿温差气温差1-1.93.220.26.21-6.90.42-0.17.515.2220.414.6152.522.78.3问题：现测得明天指标x1=8.1，x2=2.0，预测明天是雨天还是晴天。(1)判别函数计算d6.1=read.table(clipboard,header=T) #读取例6.1 数据library(MASS)(ld=lda(G~x1+x2)) #线性判别模型Group means: x1 x21 0.92 2.102 -0.38 8.85Coefficients of linear discriminants:LD1x1 -0.1035x2 0.2248线性判别函数为：注意：当变量只有2个时，会给出一个判别函数，当有4个时，会给出两个判别函数：(2)预测分析Z=predict(ld) #根据线性判别模型预测所属类别newG=Z$class #预测的所属类别结果cbind(G,Z$x,newG) #显示结果 newGG 1 21 9 12 1 9(tab=table(G,newG)) #混淆矩阵sum(diag(prop.table(tab)))=0.9 #判对率predict(ld,data.frame(x1=8.1,x2=2.0),data=d6.1)#判对率判别分析结论：明天x1=8.1，x2=2.0，预测明天是雨天，此次准确率为90%。6.3 距离判别分析思想：根据已知分类的数据，分别计算各类的重心即各组的均值，判别准则是对任给的一次观测，若它与第i类的重心距离最近，就认为它来自第i类。1.两总体距离判别第2个总体G2抽n2个样品第1个总体G1抽n1个样品任取1个含有p个指标的样品判别标准X∈G1计算该样品到G1和G2距离X∈G2待判根据距离进行判别2.马氏距离基本形式：其中，μ1,μ2,Σ1,Σ2分别为总体G1和G2的均值向量和协方差阵。当Σ1=Σ2=Σ时（特例）W(X)0,X∈G1判别标准W(X)0,X∈G2W(X)=0,待判3.实例分析编号质量评分Q功能评分C销售价格P销售状态1销售状态2*185768113853911478655812776751289.2882129876712问题：现根据该资料建立判别函数，根据判别准则进行回判，假设有一新厂商推销其产品，Q=8.0,C=7.5,P=65,预测该产品销售前景如何？实例分析d6.2=read.table(clipboard,header=T) #读取例6.2 数据library(mvstats)discrim.dist(cbind(Q,C,P),as.factor(G)) #马氏距离模型GD.1D.2newG113.8507867847744.626114215.569444.6495521526.599581.1020821623.129113.39681117215.28163.506222