Методы дискриминантного анализа

height="25" />:

(17)

Рассчитаем среднее значение каждой переменной в отдельных группах для определения положения центров этих групп:

I гр.  =0,60, =88,4, =8,72

II гр. =1,39, =87,3, =5,53.

Дискриминантная функция f(x) в данном случае имеет вид:

f(х) = ++ (18)

Коэффициенты ,  и вычисляются по формуле:

A=(-), (19)

где  и  - векторы средних в первой и второй группах; А - вектор коэффициентов;  - матрица, обратная совместной ковариационной матрице.

Для определения совместной ковариационной матрицы нужно рассчитать матрицы  и . Каждый элемент этих матриц представляет собой разность между соответствующим значением исходной переменной  и средним значением этой переменной в данной группе  (k - номер группы):

Тогда совместная ковариационная матрица  будет равна:

, (20)

где ,  - число объектов l-й и 2-й группы;

(21)

Обратная матрица  будет равна:


.(22)

Отcюда находим вектор коэффициентов дискриминантной функции по формуле:

 (23)

т.е. =-185,03, =1,84, =4,92.

Подставим полученные значения коэффициентов в формулу (18) и рассчитаем значения дискриминантной функции для каждого объекта:

(24)

Тогда константа дискриминации С будет равна:

С =(94,4238-70,0138) = 12,205.

После получения константы дискриминации можно проверить правильность распределения объектов в уже существующих двух классах, а также провести классификацию новых объектов.

Рассмотрим, например, объекты с номерами 1, 2, З, 4. Для того чтобы отнести эти объекты к одному из двух множеств, рассчитаем для них значения дискриминантных функций (по трем переменным):

 = -185,03 х 1,07 + 1,84 х 93,5 + 4,92 х 5,30 = 0,1339,

 = -185,03 х 0,99 + 1,84 х 84,0 + 4,92 х 4,85 = -4,7577,

 = -185,03 х 0,70 + 1,84 х 76,8 + 4,92 х 3,50 = 29,0110,

 = -185,03 х 1,24 + 1,84 х 88,0 + 4,92 х 4,95 = -43,1632.

Таким образом, объекты 1, 2 и 4 относятся ко второму классу, а объект 3 относится к первому классу, так как  < с,  < с,  > с,  < с.

4. Классификация при наличии k обучающих выборок

 

При необходимости можно проводить разбиение множества объектов на k классов (при k> 2). В этом случае нужно рассчитать k дискриминантных функций, так как классы будут отделяться друг от друга индивидуальными разделяющими поверхностями. На рис. 3 показан случай с тремя множествами и тремя дискриминантными переменными:

Рис.3 Три класса объектов и разделяющие их прямые

 – первая,  – вторая,  - третья дискриминантные функции.


Пример 2. Рассмотрим случай, когда существует три класса (множества) объектов. Для этого к двум классам из предыдущего примера добавим еще один. В этом случае будем иметь уже три матрицы исходных данных:

(25)

Если в процессе дискриминации используются все четыре переменные (, , , ) то для каждого класса дискриминантные функции имеют вид:

(26)

Определим теперь, к какому классу можно отнести каждое из четырех наблюдений, приведенных в табл.2:

Таблица 2- Исходные данные

Номер

наблюдения

 

1 1,07 93,5 5,30 5385
2 0,99 84,0 4,85 5225
3 0,70 76,8 3,50 5190
4 1,24 88,0 4,95 6280

Подставим соответствующие значения переменных , , ,  в выражение (26) и вычислим затем разности:

-=-20792,082+31856,41=11064,3280,

-=-20792,082+40016,428=19224,3460.

Следовательно, наблюдение 1 в табл.2 относится к первому классу. Аналогичные расчеты показывают, что и остальные три наблюдения следует отнести тоже к первому классу.

Чтобы показать влияние числа дискриминантных переменных на результаты классификации, изменим условие последнего примера. Будем использовать для расчета дискриминантных функций только три переменные: , , . В этом случае выражения для дискриминантныx функций будут иметь вид:

(27)

Подставив в эти выражения значения исходных переменных для классифицируемых объектов, нетрудно убедиться, что все они попадают в третий класс, так как

-=-26,870,

-=-37,68,

-=-10,809.

Таким образом, мы видим, что изменение числа переменныx сильно влияет на результат дискриминантного анализа. Чтобы судить о целесообразности включения (удаления) дискриминантной переменной, обычно используют специальные статистические критерии, позволяющие оценить значимость ухудшения или улучшения разбиения после включения (удаления) каждой из отобранных переменных.


5. Взаимосвязь между дискриминантными переменными и дискриминантными функциями

 

Для оценки вклада отдельной переменной в значение дискриминантной функции целесообразно пользоваться стандартизованными коэффициентами дискриминантной функции. Стандартизованные коэффициенты можно рассчитать двумя путями:

·стандартизовать значения исходных переменных таким образом, чтобы их средние значения были равны нулю, а' дисперсии - единице;

·вычислить стандартизованные коэффициенты исходя из значений коэффициентов в нестандартной форме:

· 

(28)

где р - общее число исходных переменных, т - число групп,  - элементы матрицы ковариаций:

(29)

где i - номер наблюдения, j - номер переменной, k - номер класса, - количество объектов в k-м классе.

Стандартизованные коэффициенты применяют в тех случаях, когда нужно определить, какая из используемых переменных вносит наибольший вклад в величину дискриминантной функции. В примере с двумя классами, рассмотренном выше, дискриминантная функция имела вид:

f= -185,03Х1 + 1,84Х2 + 4,92Хз .

Следовательно, наибольший вклад в величину дискриминантной функции вносит переменная X1.

Определим значения стандартизованных коэффициентов и запишем новое значение дискриминантной функции:

 (30)

где =

Стандартизованные коэффициенты дискриминантной функции тоже показывают определяющее влияние первой переменной на величину дискриминантной функции.

Помимо определения вклада каждой исходной переменной в дискриминантную функцию, можно проанализировать и степень корреляционной зависимости между ними.

Для оценки тесноты связи между отдельными переменными и дискриминантными функциями служат коэффициенты корреляции, которые называются структурными коэффициентами. По величине структурных коэффициентов судят о связи между переменными и дискриминантными функциями. Структурные коэффициенты позволяют также в случае необходимости присвоить имя каждой функции. Они могут быть рассчитаны в целом по всей совокупности объектов (R) и для каждого класса отдельно (R).

Покажем на примере 1 расчет структурных коэффициентов в целом для трех классов. Исходные данные для расчета коэффициентов представлены в табл. 3. Вычисленные структурные коэффициенты (Rf) имеют следующие значения:

Rx1f= 0,650          RX2f = -0,576 RХЗf = -0,506 Rx4f = -0,951

Rx1jl = -0,036 Rx2j1 = 0,486 RхЗjl = -0,211 Rx4j1 = 0,217

            Rx1f2 = -0,728     Rx2f2 = 0,878 RХЗf2 = 0,511 Rx4f2 = -0,998

            Rx1fJ = -0,713      Rх1JЗ = 0,258 RхЗfJ = -0,122 Rx4fJ = -0,998.

Таблица 3 – Исходные данные

Если Вам нужна помощь с академической работой (курсовая, контрольная, диплом, реферат и т.д.), обратитесь к нашим специалистам. Более 90000 специалистов готовы Вам помочь.
Бесплатные корректировки и доработки. Бесплатная оценка стоимости работы.

Поможем написать работу на аналогичную тему

Получить выполненную работу или консультацию специалиста по вашему учебному проекту
Нужна помощь в написании работы?
Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Пишем статьи РИНЦ, ВАК, Scopus. Помогаем в публикации. Правки вносим бесплатно.

Похожие рефераты:

Номер

Х1

Х2

ХЗ

Х4

наблюдения

1 0,50 94,0 8,50 6707 -31973,089
2 0,67 75,4 8,79 5037 -18122,238
3 0,68 85,2 9,10 3695 -6930,930
4 0,55 98,8 8,47 6815 -32812,109
5 1,52 81,5 4,95 3211 -13434,229
6 1,20 93,8