多元统计分析.pptVIP

多元统计分析第一页，共四十六页，2022年，8月28日 1．问题引入2．思路点拨3．判别分析方法4．DNA序列分类问题的求解5. 参考文献目 录第二页，共四十六页，2022年，8月28日 首先，我们来考虑一下2000年“网易杯”全国大学生数学建模竞赛的A题是关于“DNA序列分类”的问题 1．问题引入第三页，共四十六页，2022年，8月28日 人类基因组中的DNA全序列是由4个碱基A，T，C，G按一定顺序排成的长约30亿的序列，毫无疑问，这是一本记录着人类自身生老病死及遗传进化的全部信息的“天书”。但是，除了这四种碱基外，人们对它所包含的内容知之甚少，如何破译这部“天书”是二十一世纪最重要的任务之一。在这个目标中，研究DNA全序列具有什么结构，由这4个字符排成的看似随机的序列中隐藏着什么规律，又是解读这部天书的基础，是生物信息学（Bioinformatics）最重要的课题之一。 第四页，共四十六页，2022年，8月28日 虽然人类对这部“天书”知之甚少，但也发现了DNA序列中的一些规律性和结构。例如，在全序列中有一些是用于编码蛋白质的序列片段，即由这4个字符组成的64种不同的3字符串，其中大多数用于编码构成蛋白质的20种氨基酸。又例如，在不用于编码蛋白质的序列片段中，A和T的含量特别多些，于是以某些碱基特别丰富作为特征去研究DNA序列的结构也取得了一些结果。此外，利用统计的方法还发现序列的某些片段之间具有相关性，等等。这些发现让人们相信，DNA序列中存在着局部的和全局性的结构，充分发掘序列的结构对理解DNA全序列是十分有意义的。 第五页，共四十六页，2022年，8月28日 作为研究DNA序列的结构的尝试，试对以下序列进行分类：问题一：下面有20个已知类别的人工制造的序列（见附件1），其中序列标号1—10 为A类，11-20为B类。请从中提取特征，构造分类方法，并用这些已知类别的序列，衡量你的方法是否足够好。然后用你认为满意的方法，对另外20个未标明类别的人工序列（标号21—40）进行分类，把结果用序号（按从小到大的顺序）标明它们的类别（无法分类的不写入）： A类 ； B类 。第六页，共四十六页，2022年，8月28日 问题二：请对 182个自然DNA序列（）进行分类。它们都较长。用你的分类方法对它们进行分类，并给出分类结果。 看了这道题，我们应当从何处入手呢，我们应该怎样进行分析呢……第七页，共四十六页，2022年，8月28日 2．思路点拨细读全题对未知事物进行分类 问题的本 质对另外20个未标明类别的DNA序列进行分类 根据所给的20个已知类别的DNA序列所提供的信息 对182个自然DNA序列进行分类 第八页，共四十六页，2022年，8月28日 如果将每一个DNA序列都看作样本，那么该问题就进一步提炼成一个纯粹的数学问题：设有两个总体（类） 和 ，其分布特征（来自各个总体的样本）已知，对给定的新品 ，我们需要判断其属于哪个总体（类）。 对于上面的数学问题，可以用很多成熟的方法来解决，例如： （1）BP神经网络； （2）聚类分析；（3）判别分析；等等。 第九页，共四十六页，2022年，8月28日 如何选取方法是建模过程中需要解决的另外一个问题：BP神经网络是人工神经网络的一种，它通过对训练样本的学习，提取样本的隐含信息，进而对新样本的类别进行预测。BP神经网络可以用以解决上面的DNA序列分类问题，但是，如何提取特征、如何提高网络的训练效率、如何提高网络的容错能力、如何建立网络结构是能否成功解决DNA序列分类问题的关键所在；聚类分析和判别分析都是多元统计分析中的经典方法，都可以用来将对象（或观测值）分成不同的集合或类别，但是，聚类分析更侧重于“探索”对象（或观测值）的自然分组方式，而判别分析则侧重于将未知类别的对象（或观测值）“归结”（或者说，分配）到已知类别中。显然，判别分析更适合用来解决上面的DNA序列分类问题。第十页，共四十六页，2022年，8月28日 3．判别分析方法 判别分析是用于判别样品所属类别的一种多元统计分析方法。判别分析问题都可以这样描述：设有 个 维的总体 ，其分布特征已知（如已知分布函数分别为 或者已知来自各个总体的样本），对给定的一个新样品 ，我们需要判断其属于哪个总体。一般来说，根据判别规则的不同，可以得到不同的判别方法 ，例如，距离判别、贝叶斯（Bayes