談談判別分析方法的體會和心得

❶ 判別分析

化探工作中常要判斷地質體的屬性，如是礦致異常還是非礦致異常；是含礦岩體還是不含礦岩體；是含礦鐵帽還是不含礦鐵帽，等等。而區分它們只考慮一個變數，數據的重疊往往很難區分。用判別分析的方法建立起一個多變數的函數（判別函數），使兩類地質體得到最大的分離，對於未知屬性的地質體也算出這個函數值從而判斷其歸屬。化探中常用的是兩類線性判別分析，其具體做法如下。

1.求判別函數

（1）首先將已知的A地質體（如礦致異常）和B地質體（如非礦致異常）中各變數（如元素含量）換為對數值（因為化探中的微量元素多為對數正態分布）。

（2）建立求判別函數系數的線性方程組。

判別函數的一般表達式為：

地球化學找礦

式中：R為判別函數；λ_K為判別系數（K＝1，2，…，P）；P為變數數；x_K為判別變數。

根據數學推導，判別系數λ_K應滿足下列線性方程組：

地球化學找礦

為簡化計算，可將d_K前（N_A＋N_B-2）系數取為1。

則有

地球化學找礦

地球化學找礦

式中：

地球化學找礦

地球化學找礦

N_A與N_B分別為A母體與B母體的樣品數。

根據A，B兩類地質體的各變數（對數值）代入上述公式即可求得σ_KK，σ_KL，d_K各項值。於是線性方程組（6-6）或（6-7）即可得到。用適當方法求出線性方程組的解，即可求得判別系數λ_K（K＝1，2，…，P），判別系數λ_K求得後代入（6-6）式，則判別函數R即已求得。注意判別系數λ_K有正有負。

2.判別效果的顯著性檢驗

建立的判別函數判別是否有效主要看不同地質體中變數平均值的差異是否顯著，即（K＝1，2，…，P）是否足夠大。通常採用馬氏距離D²統計量作F檢驗。首先計算出D²和F值：

地球化學找礦

地球化學找礦

注意：若線性方程組（6-6）中dK前系數為（NA＋NB-2）則：

地球化學找礦

然後給定信度α＝0.1，α＝0.05，α＝0.01查F分布表得出

的臨界值，若計算出

（臨界值），則說明在某信度下差異顯著，判別有效；若小於某一信度的臨界值，則說明在該信度下差異不顯著。若

比

還小，則說明A，B無顯著差異，為同一地質體，因而判別無效；或者說明所選擇的這些變數沒有判別效果，應另選其他變數。

3.計算各變數的貢獻值

判別有效時還應考慮各變數參加判別的貢獻。變數的貢獻值可以衡量一個變數對組成判別函數的作用大小。第K個變數的貢獻值按下式計算：

地球化學找礦

對於貢獻值很小的可捨去，用其餘變數進行判別可得同樣效果。

4.對未知屬性樣品進行判別

當判別函數判別有效時，則可對未知屬性樣品進行判別。

（1）計算判別函數臨界值（R₀）

地球化學找礦

若N_A＝N_B，則

地球化學找礦

式中：

。

R₀算出後應比較三者的大小。若

，則大於R₀者屬A類，小於R₀者屬B類；若R_（A）＜R₀＜R_（B），則大於R₀者屬B類，小於R₀者屬A類。

（2）與R₀進行比較

將未知屬性樣品的諸變數值（對數值）代入判別函數，即可求得各未知屬性樣品的判別函數值，與R₀比較則可判斷其歸屬。

（3）計算實例

某區發現原生地球化學異常15個，其中7個為礦致異常，7個為非礦致異常，一個異常性質不明。每個異常分析了Cu，Ag，Bi3個元素，數據見表6-2。未知屬性異常含量（10^-6）Cu 880，Ag 1.41，Bi 34.4，換算成對數值（Ag乘以100後換算成對數）分別為2.945，2.147，1.537。

現運用判別分析的方法對未知屬性異常判斷其歸屬。

表6-2 某區Cu，Ag，Bi 元素含量及對數值

1）求判別函數

①根據礦致異常（A），非礦致異常（B）中各變數的對數值計算（表6-2）表中所列各項值（表6-3）。

②建立求判別函數系數的線性方程組，對於只有三個判別變數時，判別函數：

R ＝λ₁x₁＋ λ₂x₂＋ λ₃x₃ （6-12）

求判別系數λ_K（K＝1，2，3）的線性方程組為：

地球化學找礦

式中：

地球化學找礦

地球化學找礦

表6-3 由表6-2導出的各參數值

於是（6-13）式變為：

地球化學找礦

對於上述方程組可用行列式求解：

令

地球化學找礦

地球化學找礦

則

地球化學找礦

將λ₁，λ₂，λ₃的值代入（6-12）式，則得

地球化學找礦

上式即為所求的判別函數。

2）判別效果的顯著性檢驗

計算D²值和

的值：

地球化學找礦

由

，查臨界值表：

地球化學找礦

於是得

，其他均小於是臨界值故指在α＝0.10的差異顯著，判別有效。

3）計算各變數的貢獻值

由

地球化學找礦

於是得

地球化學找礦

地球化學找礦

可見Ag的貢獻很小，可捨去，只用作變數建立判別函數，可得同樣效果。

4）對未知屬性的樣品進行判別

①計算判別臨界值：

因N_A＝N_B，故

地球化學找礦

所以

。

由上計算結果得：

R_（A）＞R₀＞R_（B）故大於R₀者屬礦致異常；小於R₀者屬非礦致異常。

②計算未知屬性異常的判別函數值：

將未知屬性異常（C），Cu，Ag，Bi的對數含量值代入判別函數得：R_（C）＝0.2898×2.945-0.0646×2.147-0.4612×1.537＝0.006

因為R_（C）＝0.006＜R₀＝0.1982，故未知屬性異常屬非礦致異常。

❷ 判別分析的基本原理

是用於判別樣品所屬類型的一種統計分析方法，是根據表明事物特點的變數值和他們所屬的類，求出判別函數，根據判別函數對未知所屬類別的食物進行分類的一種分析方法。

❸ 判別分析的基本思想

根據判別中的組數，可以分為兩組判別分析和多組判別分析；
根據判別函數的形式，可以分為線性判別和非線性判別；
根據判別式處理變數的方法不同，可以分為逐步判別、序貫判別等；
根據判別標准不同，可以分為距離判別、Fisher判別、Bayes判別法等。

❹ 判別分析的判別方法

判別方法是確定待判樣品歸屬於哪一組的方法，可分為參數法和非參數法，也可以根據資料的性質分為定性資料的判別分析和定量資料的判別分析。此處給出的分類主要是根據採用的判別准則分出幾種常用方法。除最大似然法外，其餘幾種均適用於連續性資料。
1）最大似然法：用於自變數均為分類變數的情況，該方法建立在獨立事件概率乘法定理的基礎上，根據訓練樣品信息求得自變數各種組合情況下樣品被封為任何一類的概率。當新樣品進入是，則計算它被分到每一類中去的條件概率（似然值），概率最大的那一類就是最終評定的歸類。
2）距離判別：其基本思想是有訓練樣品得出每個分類的重心坐標，然後對新樣品求出它們離各個類別重心的距離遠近，從而歸入離得最近的類。也就是根據個案離母體遠近進行判別。最常用的距離是馬氏距離，偶爾也採用歐式距離。距離判別的特點是直觀、簡單，適合於對自變數均為連續變數的情況下進行分類，且它對變數的分布類型無嚴格要求，特別是並不嚴格要求總體協方差陣相等。
3）Fisher判別：亦稱典則判別，是根據線性Fisher函數值進行判別，通常用於梁祝判別問題，使用此准則要求各組變數的均值有顯著性差異。該方法的基本思想是投影，即將原來在R維空間的自變數組合投影到維度較低的D維空間去，然後在D維空間中再進行分類。投影的原則是使得每一類的差異盡可能小，而不同類間投影的離差盡可能大。Fisher判別的優勢在於對分布、方差等都沒有任何限制，應用范圍比較廣。另外，用該判別方法建立的判別方差可以直接用手工計算的方法進行新樣品的判別，這在許多時候是非常方便的。
4）Bayes判別：許多時候用戶對各類別的比例分布情況有一定的先驗信息，也就是用樣本所屬分類的先驗概率進行分析。比如客戶對投遞廣告的反應絕大多數都是無迴音，如果進行判別，自然也應當是無迴音的居多。此時，Bayes判別恰好適用。Bayes判別就是根據總體的先驗概率，使誤判的平均損失達到最小而進行的判別。其最大優勢是可以用於多組判別問題。但是適用此方法必須滿足三個假設條件，即各種變數必須服從多元正態分布、各組協方差矩陣必須相等、各組變數均值均有顯著性差異。

❺ 學習《數學分析課程》的心得及其領悟到的方法。

2020年春季學期微課郭雨辰數學分析（超清視頻）網路網盤

鏈接:

若資源有問題歡迎追問~

❻ 判別分析方法

判別分析又稱「分辨法」，是在分類確定的條件下，根據某一研究對象的各種特徵值判別其類型歸屬問題的一種多變數統計分析方法。其基本原理是按照一定的判別准則，建立一個或多個判別函數，用研究對象的大量資料確定判別函數中的待定系數，並計算判別指標。據此即可確定某一樣本屬於何類。當得到一個新的樣品數據，要確定該樣品屬於已知類型中哪一類，這類問題屬於判別分析問題。

❼ 判別分析方法用於解決實際問題，聚類分析方法用於解決實際問題的大致思路。

網上搜了，在貼一塊就是的拉
大學以來我一直是這么做的，還從未出過什麼問題
老大，這好難呀。是原題嗎？好像我們以前的畢業論文哦

-= 題目是 =-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-
請說明將判別分析的方法用於石油鑽井位置確定問題、計算機診斷問題，將聚類分析方法用於歐洲語言演變過程研究問題、地震預報問題、「紅樓夢」後40回作者探討問題或解決其他實際問題的大致思路。
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=

謝謝！是數學模型的作業。

請就題中具體問題給予一段話（幾百字）的說明。勿粘貼大篇純粹講判別分析、聚類分析的文字。
問題補充：如果大家認為分數太少我可以加分的，我最多有120分可以全部散出——只要能得到答案！謝謝！！

不用具體到細節 可以比較宏觀的說明步驟。比如第一、第二、第三……這樣

❽ 求材料分析方法學習後的感想和心得體會300字到500

聽課也有不少學問。學會聽課，對初中生的學習進步至關重要
課堂是學生學習的主要場所，課堂學習是學習的最主要環節，四十五分鍾課堂學習效益的高低，某種程度上決定著學生學習成績的好壞。
也許有的家長和學生會想，每個人都有一雙耳朵，聽課誰不會呀。其實不然，聽課也有不少學問。學會聽課，對初中生的學習進步至關重要。

首先，要集中注意力聽。心理學研究表明：注意能夠幫助我們從周圍環境所提供的大量信息中，選擇對當前活動最有意義的信息；同時，使心理活動維持在所選擇的對象上，還能使心理活動根據當前活動的需要作適當的分配和調整。所以，注意力對於學習尤為重要。集中注意力、專心致志才能學有所得；心不在焉、心猿意馬往往一無所獲。

其次，要帶著問題、開動腦子聽。有些同學聽課不善於開動腦子，不去積極思維，看似目不轉睛，但一堂課下來心中卻不留痕跡。俗話說："學貴有疑"，"疑是一切學習的開始"。帶著問題聽課，就能使聽課有比較明確的目標和重點，增強聽課的針對性，從而提高課堂學習效率；帶著問題聽課，還能促使自己積極動腦，緊跟老師的教學節奏，及時理解和消化教學內容。

❾ 行測判斷推理 學習體會與思考

您好，中公教育為您服務。
大體總結一下就可以：
(一)圖形推理
1、對於圖形拆分與重組題：運用實物找關鍵特徵
2、對於多組圖形題：找變化規律(數量關系、位置關系、形狀關系)。
3、基本思路：
(1)簡單圖形看筆畫多少、構成要素的增減、交點線段數目變化、圖形種類數變化。
(2)復雜圖形看大小變化、曲直情況、旋轉方向、組合順序、疊加狀況(求同、去同)及對成性。
(3)上述方法無法判斷時看路徑狀況、受力情況、或看半邊。
(4)有多個選擇時，選擇自己最確定的，不可多選
(二)定義判斷解題技巧
1、先看選項再看題干，對照選項看題干中對應內容。注意：是否要一一對應關系。
2、抓住提干定義中的關鍵詞，尤其是要抓住與選項相關的關鍵詞。
3、常見的關鍵詞：
「主體」、「內容」、「時間」、「地點」、「對象」等。
(三)類比推理題解答「九字」技巧
1、記常識。如各省市簡稱、稱謂、作品、節日等。
2、想詞性。通過詞語的本質詞性的判斷可以幫助我們排除1-2個選項，甚至直接選出答案。這種方法是可以在5秒內做出一道題。

如有疑問，歡迎向中公教育企業知道提問。

❿ 判別分析的應用

在氣候分類、農業區劃、土地類型劃分中有著廣泛的應用。
在市場調研中，一般根據事先確定的因變數（例如產品的主要用戶、普通用戶和非用戶、自有房屋或租賃、電視觀眾和非電視觀眾）找出相應處理的區別特性。在判別分析中，因變數為類別數據，有多少類別就有多少類別處理組；自變數通常為可度量數據。通過判別分析，可以建立能夠最大限度的區分因變數類別的函數，考查自變數的組間差異是否顯著，判斷那些自變數對組間差異貢獻最大，評估分類的程度，根據自變數的值將樣本歸類。
應用范圍
1）信息丟失
2）直接的信息得不到
3）預報
4）破壞性實驗
假設條件
1）分組類型在兩種以上，且組間樣本在判別值上差別明顯。
2）組內樣本數不得少於兩個，並且樣本數量比變數起碼多兩個。
3）所確定的判別變數不能是其他判別變數的線性組合。
4）各組樣本的協方差矩陣相等。
5）各判別變數之間具有多元正態分布。
6）樣品量應在所使用的自變數個數的10~20倍以上時，建立的判別函數才比較穩定；而自變數個數在8~10之間時，函數的判別效果才能比較理想。當然，在實際工作中判別函數的自變數個數往往會超過10個，但應該注意的是，自變數的個數多並不代表效果好
spss操作：「分析」～「分類」～「判別」～進入判別分析主對話框。
這里有容易引起歧義的二個變數，最上面的為分組變數。對分組變數的了解需要聯系判別分析的原理以及適用范圍。因為判別分析是已知分類數目的情況下，進行分析，這個已知的分類數目就是這個分組變數。其實，一般分析步驟中，都是先進行聚類分析，聚類之後得到的分類結果就是這個分組變數，然後再選擇這個分組變數，進行分析。也就是，聚類分析是母親，母親的孩子就是判別分析。得到的判別函數就是預測想要知道的個案究竟屬於哪一類。另一個變數就是選擇變數，它位於主對話框的最下面。這個選擇變數在回歸分析相應的對話框中也有，意思就是選擇你需要的變數，這個變數可以為數據窗口的一個整個變數，也可以利用子設置「值」進行選擇，所以，它的名字叫做選擇變數。
「統計量」子對話框：「描述性」欄，包括「均值」「單變數ANOVA」「BoxsM」
需要特別說明，以後只要見到ANOVA這個單詞，它的意思就是方差分析，也就是進一步輸出方差分析表，其中最重要的就是P值也就是Sig值。
BoxsM復選框：指的是輸出對組協方差矩陣的等同性檢驗的檢驗結果。也就是對各類協方差矩陣相等的假設進行檢驗。
「函數系數」欄：其實就是將判別函數系數進行設置。包括「費雪」和「未標准化」。費雪指的是對每一類給出一組系數，並且給出該組中判別分數最大的觀測量。
「矩陣」欄：都是復選框，對應相應的矩陣也就是在結果表中的四種數陣。「組內相關」「組內協方差」「分組協方差」「總體協方差」這個都是計算機自動計算，人工計算是不可能完成的任務。
「分類」子對話框：本文也提到過先驗概率，先驗概率就是已知一部分信息，來了解未知信息也就是後驗概率。
「所有組相等」也就是如果分為幾類，這所有的類中的先驗概率都相等。
「根據組大小計算」各類先驗概率按照和各類樣本量呈正比。
「使用協方差矩陣」欄：是二個單選框。「在組內」指使用合並組內協方差矩陣進行分析
「分組」指使用各組協方差矩陣進行分析。
「輸出」欄～「個案結果」：對每一個觀測量輸出判別分數，也就是選定變數的個案的分進哪個組的資格得分。實際類，預測類，也就是根據判別得分計算的古今對比。實際類就是目前實際上分為幾類，預測類就是過去對未來預測，它們一對比，就可以知道過去和現在差別在哪裡。附屬選項「將個案限制在」在後面的小矩形框中輸入觀測量數，含義為僅輸出設置的觀測量結果，當個案也就是觀測量太多，可以用此法。
「摘要表」輸出分類小結，給出正確和錯分的觀測量數，和錯判率。
「不考慮該個案時的分類」這個根據字面就可以理解，不贅述。
「圖」欄：「合並組」生成一張包括各類的散點圖，該散點圖根據前兩個判別函數得到，如果只有一個判別函數，則生成直方圖。
「分組」復選框：有幾類就有幾張散點圖，和上面一樣，如果只有一個判別函數，就生成直方圖。
「區域圖」復選框：將觀測量分到各組中去的區域圖。此圖將一張圖的平面劃分出類數，相同的區域，每一類占據一個區，各類的均值在各區中用星號標出，如果僅有一個判別函數，即沒有此圖。
「保存」子對話框：這個設置是非常重要的，並且特別直觀，只要選擇，就可以在數據窗口生成相應的新變數。這個新變數分別是：「預測組成員」這個預測組成員是根據判別分數，以及後驗概率最大的預測分類。也就是，每個個案的預測分類。
「判別得分」這個根據名字就可以理解。該分數=沒有標准化的判別系數×自變數的值+一個常數。每次運行判別過程都給出一組表明判別分數的新變數。有幾個判別函數就建立幾個判別函數減1的新變數。新變數名稱詞頭為dis-。
舉例：1 醫學實踐中根據各種化驗結果，疾病症狀等判斷病人患有什麼疾病。
2 體育人才選拔根據運動員的體形，運動成績，生理指標，心理素質指標判斷是否繼續培養。
3 動植物分類
判別分析最主要的分析目的：得到判別函數，對未知個案進行預測分類。
「組成員概率」表示觀測量屬於哪一類的概率，有幾類，就給出幾類概率值，新變數默認名為dis預測分類數-判別概率，例如有三類，二個判別函數，則新變數名稱可以為dis1-1,dis2-1,dis3-1,dis3-2以此類推。
逐步判別分析：只要在主對話框中選擇「使用步進式方法」，就可以篩選變數，同時，方法對話框將激活。
「方法」對話框中「標准」欄的設置和線性回歸的一樣，不贅述。
「方法」欄：原則就是，負面指標越小越好，正面指標越大越好。負面指標是wilks lambda和未解釋方差，正面指標是馬氏距離，最小F值，Raos V。馬氏距離在回歸中越大代表這個個案為影響點可能越大，也就是，只有這個個案為影響點，它越重要，越對判別函數影響越大，把它挑出來，也就是馬氏距離最大。
結果：1 sig值小於0.05，說明可以繼續分析，函數具有判別作用，也就是有統計學意義。
2 數據窗口對話框，將在「保存」子對話框設置的新變數和在主對話框的分組變數進行對比，每個個案被分到哪類，以及判別得分，都一目瞭然。
3 根據輸出表中的系數，可以寫出判別函數，進行以後的預測。