统计学数学模型.docxVIP

一、多元回归 1、方法概括： 在研究变量之间的相互影响关系模型时候，用到这类方法，详细地说： 其能够定量地描绘某一现象和某些因素之间的函数关系，将各变量的 已知值带入回归方程能够求出因变量的估计值，进而能够进行预测等 有关研究。 2、分类 分为两类：多元线性回归和非线性线性回归；其中非线性回归能够通 过一定的变化转变为线性回归，比方：y=lnx能够转变为y=uu=lnx 来解决；所以这里主要说明多元线性回归应当注意的问题。 3、注意事项 在做回归的时候，一定要注意两件事： 1）回归方程的显著性查验（能够经过sas和spss来解决）（2）回归系数的显著性查验（能够经过sas和spss来解决） 查验是好多学生在建模中不注意的地方，好的查验结果能够体现出你模型的优劣，是完整论文的体现，所以这点大家一定要注意。 4、使用步骤： 1）根据已知条件的数据，经过预办理得出图像的大概趋势或许数据之间的大概关系； 2）选用适合的回归方程； （3）拟合回归参数； （4）回归方程显著性查验及回归系数显著性查验 — 5）进行后继研究（如：预测等）这种模型的的特点是直观，容易理解。 这体现在：动向聚类图能够很直观地体现出来！自然，这只是直观的一个方面！ 二、聚类剖析 聚类有两种种类： （1）Q型聚类：即对样本聚类；（2）R型聚类：即对变量聚类；聚类方法： 1）最短距离法（2）最长距离法（3）中间距离法（4）重心法（5）类平均法（6）可变类平均法（7）可变法（8）利差平均和法 在详细做题中，适入选用方法； 3、注意事项 在样本量比较大时，要获得聚类结果就显得不是很容易，这时需要根 据背景知识和有关的其他方法协助办理。还需要注意的是：如果总 体样本的显著性差别不是特别大的时候，使用的时候也要注意！ 4、方法步骤 1）首先把每个样本自成一类； 2）选用适合的权衡标准，获得权衡矩阵，比方说：距离矩阵或相像性矩阵，找到矩阵中最小的元素，将该元素对应的两个类归为一类， 4）重复第2步，直到只剩下一个类； 补充：聚类剖析是一种无监察的分类，下面将介绍有监察的“分 2 — 类”。我简单说明下，无监察学习和有监察学习是什么无监察学习： 发现的知识是未知的而有监察学习：发现的知识是已知的或许这么 说吧：有监察学习是对一个已知模型做优化，而无监察学习是从数 据中挖掘模型他们在分类中应用比较宽泛（非数值分类） 如果是数值分类就是预测了，这点要注意 三、数据分类 1、方法概括数据分类是一种典型的有监察的机器学习方法，其目的 是从一组已知类其他数据中发现分类模型，以预测新数据的未知类 别。 这里需要说明的是：预测和分类是有区其他，预测是对数据的预测， 而分类是类其他预测。 2、类型方法：（1）神经网路（2）决议树（这里不再阐述，有兴 趣的同学，能够参照数据挖掘和数据库房有关书籍） 3、注意事项 1》神经网路合用于下列情况的分类： （1）数据量比较小，缺少足够的样本成立数学模型；（2）数据的 结构难以用传统的统计方法来描绘（3）分类模型难以表示为传统的 统计模型 这里主要介绍以上三点，其他的情况大家能够自己总结！ 2》神经网路的优点： 分类正确度高，并行散布办理能力强，对噪声数据有较强的鲁棒性 和容错能力 3 — 能够充分逼近复杂的非线性关系，具备联想记忆的功能等。 3》神经网路缺点： 需要大量的参数，不能察看中间学习过程，输出结果较难解释，会影 响到结果的可信度，需要较长的学习时间，当数据量较大的时候，学 习速度会限制其应用。 4、步骤 这里只做简单说明，详细步骤，大家能够查阅《神经网路》《数据挖 掘》等有关书籍（1）初始化全系数（2）输入训练样本（3）计算实际输出值（4）计算实际输出值和希望输出值之间的误差（5）用误差去改正权系数（6）判断是否知足终止条件，如果知足终止，否则进入第二步. 四、鉴别剖析 1、概括其是鉴于已知类其他训练样本，对未知类其他样本判其他一种统计方法，也是一种有监察的学习方法，是分类的一个子方法！详细是：在研究已经过分类的样本基础上，根据某些鉴别剖析方法成立鉴别式，然后对未知分类的样本进行分类！ 2、分类 根据鉴别剖析方法的不同，可分为下面几类：（1）距离鉴别 法（2）Fisher鉴别法（3）Bayes鉴别法（4）逐步鉴别法 对于这几类的方法的介绍，大家能够参照《多元统计学》，其中比较 常用的是bayes鉴别法和逐步鉴别法 3、注意事项： 4 — 鉴别剖析主要针对的是有监察学习的分类问题。共有四种方法，这里重点注意其优缺点： 1）距离鉴别方法简单容易理解，可是它将总体等概率对待，没有差别性； 2）Bayes鉴别法有效地解决了距离鉴别法的不足，即：其考虑了先验概率——所以往常这种方法在实际中应用比较多！ 3）在进行鉴别剖析以前，应首先查验各类均值是不是有差