【应用多元统计分析】上机二判别分析

原创

已于 2022-11-29 19:14:33 修改 · 1.1k 阅读

标签

#人工智能

于 2022-11-05 19:32:37 首次发布

这篇博客详细介绍了贝叶斯判别法，包括线性判别分析（LDA）和二次判别分析（QDA），并以破产企业为例进行应用。此外，还讨论了如何在矩阵中选择特定列以及回代法与交叉验证法的比较。后续内容涵盖了费希尔判别和逐步判别的概念。

一、贝叶斯判别（最大后验概率法，需要正态假定）

1.线性判别函数——lda(x,……)（在MASS中）

编辑2.二次判别函数——qda(x,……)

一、贝叶斯判别（最大后验概率法，需要正态假定）

1.线性判别函数——lda(x,……)（在MASS中）

2.二次判别函数——qda(x,……)

3.应用——【例5.2.3破产企业】

> library(MASS)#MASS包不用加载，自带
> ?lda
打开httpd帮助服务器… 好了
> d5.2.3=read.csv('D:/个人成长/学业/课程/应用多元统计分析/上机/上机二/examp5.2.3.csv',header=1)
> attach(d5.2.3)#解析变量（阐释各个变量的含义）
The following objects are masked _by_ .GlobalEnv:

    x1, x2, x3
#协方差矩阵相等的距离判别（线性判别函数，等概率）
> mod1=lda(g~x1+x2+x3+x4,prior=c(0.5,0.5),d5.2.3)
#协方差矩阵不等的距离判别（二次判别函数）
> mod2=qda(g~x1+x2+x3+x4,prior=c(0.5,0.5),d5.2.3)
> Z=predict(mod1)#对原训练样本进行判别
> newg1=Z$class#得到判别的分组
> table(g,newg1)#得到真实分组与判别分组的分布表
   newg1
g    1  2
  1 18  3
  2  1 24
> W=predict(mod2)
> newg2=W$class
> table(g,newg2)
   newg2
g    1  2
  1 19  2
  2  1 24

> mod2=lda(cbind(d5.2.3[,1:4]),g,prior=c(0.1,0.9))
> xnew=data.frame(x1=-0.16,x2=-0.1,x3=1.45,x4=0.51)#数据框
> xnew
     x1   x2   x3   x4
1 -0.16 -0.1 1.45 0.51
> pre=predict(mod2,xnew)
> pre
$class
[1] 2
Levels: 1 2

$posterior
             1