Iris数据判别分析文档格式.docx

Iris数据判别分析文档格式.docx

《Iris数据判别分析文档格式.docx》由会员分享，可在线阅读，更多相关《Iris数据判别分析文档格式.docx（41页珍藏版）》请在冰豆网上搜索。

13

52

20

25

39

55

58

19

17

68

57

54

21

77

38

47

76

66

49

26

35

70

29

40

50

53

37

79

44

41

42

43

72

71

73

74

75

78

80

81

82

83

84

85

86

87

88

89

90

91

92

93

94

95

96

97

98

99

100

101

102

103

104

105

106

107

108

109

110

111

112

113

114

115

116

117

118

119

120

121

122

123

124

125

126

127

128

129

130

131

132

133

134

135

136

137

138

139

140

141

142

143

144

145

146

147

148

149

150

（1）进行Bayes判别，并用回代法与交叉确认法判别结果；

（2）计算每个样品属于每一类的后验概率；

（3）进行逐步判别，并用回代法与交叉确认法验证判别结果。

二、判别分析

用距离判别法，

总体G1，G2，G3的协方差矩阵

计算各个总体之间的马氏平方距离

形成的矩阵，其中

线性判别函数是

2.1Bayes判别

先验概率按比例分配，即

求得的线性判别函数

中关于变量

的系数以及常数项均与上面结果相同。

广义平方距离函数

，

后验概率

以下是SPSS软件判别分析结果。

分析觀察值處理摘要

未加權的觀察值

N

百分比

有效

100.0

已排除

遺漏或超出範圍群組代碼

.0

至少一個遺漏區別變數

遺漏或超出範圍群組代碼及至少一個遺漏區別變數

總計

群組統計資料

平均數

標準偏差

有效的N（listwise）

未加權

加權

50.26

3.795

50.000

34.10

4.339

14.62

1.737

2.46

1.054

59.36

5.162

27.50

3.364

42.60

4.699

13.26

1.978

65.88

6.359

29.74

3.225

55.52

5.519

20.46

2.936

58.50

8.253

150.000

30.45

4.571

37.58

17.653

12.06

7.718

群組平均值的等式檢定

Wilks'

Lambda（λ）

F

df1

df2

顯著性

.393

113.314

.000

.638

41.676

.059

1180.161

.075

902.504

聯合組內矩陣a

共變異

27.159

9.783

16.709

4.225

13.514

5.610

3.464

18.519

4.547

相關

1.000

.511

.745

.380

.355

.442

.498

a.共變異數矩陣具有147自由度。

共變異數矩陣a

14.400

10.973

1.509

.939

18.827

1.304

.994

3.016

.607

1.111

26.643

9.000

18.290

5.578

11.316

8.388

4.173

22.082

7.310

3.911

40.434

9.376

30.329

6.158

10.400

7.138

5.224

30.459

5.797

8.621

68.104

-3.050

125.849

51.862

20.893

-31.831

-11.530

311.628

131.066

59.574

a.共變異數矩陣總計具有149自由度。

變數已輸入/已移除a,b,c,d

步驟

已輸入

統計資料

df3

確切F

147.000

.039

297.900

292.000

.027

243.502

290.000

.025

191.133

288.000

在每一個步驟中，輸入最小化整體Wilks'

Lambda的變數。

a.步驟的數目上限為8。

b.要輸入的局部F下限為3.84。

c.要移除的局部F上限為2.71。

d.F層次、容差或VIN不足，無法進行進一步計算。

分析中的變數

允差

要移除的F

.874

1129.588

37.484

.729

41.949

.043

.781

44.975

.044

.671

29.889

.379

44.010

.040

.648

17.172

.031

.660

22.391

.033

.369

6.615

不在分析中的變數

最低允差

要輸入的F

.445

32.824

.752

23.296

.375

12.776

變數數目

Lambda（λ）

分類處理摘要

已處理

至少一個遺漏識別變數

已在輸出中使用

群組的事前機率

在前

分析中使用的觀察值

.333

Bayes判别（用回代法）的结果见下表。

分類結果a

預測的群組成員資格

原始

計數

%

a.100.0%個原始分組觀察值已正確地分類。

下表是Bayes判别（交叉确认法）的结果。

分類函數係數

2.364

1.510

1.167

1.834

.558

.320

-1.524

.665

1.417

-1.521

.419

1.747

（常數）

-78.767

-70.541

-101.501

費雪（Fisher）線性區別函數

96.0

4.0

2.0

98.0

a.98.0%個原始分組觀察值已正確地分類。

2.2逐步判别

逐步判别的主要计算步骤如下：

第一步：

输入原始数据矩阵

第二步：

计算变量的总均值、组均值、总离差、组内离差。

第三步：

给定挑选变量F—检验门坎值（临界值）

。

第四步：

逐步挑选变量。

逐步挑选变量的思想与逐步回归中一样，现假设迭代已进行了S步，引进了r个变量，这r个变量号构成的集合为

，剩下的m-r个变量号构成的集合为

第五步：

求判别函数。

设迭代h步后，挑选变量结束，共选入r个变量进入判别式。

其中，qk为第k个总体的先验概率。

判别系数的计算为

其中，

表示为k个总体的第i个变量的均值。

第六步：

判别归类。

将已知样本进行回判，并算出错判概率，然后将待判样本进行归类。

得到结果如下表：

逐觀察值統計資料

個案編號

實際群組

最高群組

第二高群組

區別評分

預測的群組

P（D>

d|G=g）

P（G=g|D=d）

重心的馬氏（Mahalanobis）距離平方

群組

函數1

函數2

p

df

.583

1.078

102.251

-8.352

.071

.680

.771

24.204

6.471

.577

.782

.996

.491

.004

11.369

2.354

-.416

.345

2.129

27.387

6.320

1.779

2**

.141

.730

3.922

.270

5.911

3.691

-.998

.912

.184

76.125

-6.926

.377

.209

.999

3.127

.001

16.839

4.737

2.059

.287

.977

2.500

.023

9.963

3.132

-1.460

3**

.131

.760

4.063

.240

6.371

3.625

.935

.478

1.474

103.912

-8.335

.891

.832

.997

.003

12.111

2.237

-.399

.162

3.638

.168

6.841

4.337

-.921

.655

.995

.846

.005

11.315

4.722

.802

.544

1.219

25.639

.960

.645

.992

.877

.008

10.544

4.921

-.137

.812

.998

.416

.002

12.959

5.261

-.039

.449

1.599

27.548

6.550

1.342

.443

1.627

62.661

-6.086

.528

.779

.499

12.702

2.375

-1.015

.243

2.833

24.430

5.714

2.192

.421

1.728