fisher判别法 Fisher判别法例题

excel两组数据fisher判别

你好，经过我查阅相关资料得知

fisher判别法 Fisher判别法例题

fisher判别法 Fisher判别法例题

excel两组数据fisher判别方法如下:

为Excel添加分析工具的加载项插件，步骤：

1、off按钮-excel选项-加载项-转到-勾选分析工具库。如图：

03

分析步骤：

1、选择数据区域

2、数据-分析-数据分析；

3、选择单因素方分析。

如图

04

设置分析参数，如图：

05

查看分析结果

方法/步骤2

01

对分析结果做说明。

SS代表平方和；

df代表自由度；

MS是均方；

F是检验统计量；

P-value是观测到的显著性水平；

Fcrit是临界值。

02

判断方法：

当F>F crit 0.05，则F值在a=0.05的水平上显著；

如果分析时选择的参数a是0.01，那么：

当F>F crit 0.01，则判断为：极显著（）；

若F crit 0.05≤F

fisher判别分析与距离判别分析的区别

fisher判别分析与距离判别分析的区别有建立模型的方式不同、对数据分布的设不同、处理的问题不同。

1、建立模型的方式不同。Fisher判别分析是一种基于统计学原理的线性分类方法，通过寻找投影方向，将原始特征空间映射到一个新的低维度特征空间中，并在新的特征空间中寻找一个决策面来进行分类。距离判别分析是一种基于距离度量的分类方法，通过计算不同样本之间的距离来确定分类决策。

2、对数据分布的设不同。Fisher判别分析设不同类别的数据分布服从高斯分布，并且各类别的协方矩阵相等，即所有类别的数据都是同一个高斯分布的采样结果。距离判别分析并不对数据分布做出设，通过计算不同样本之间的距离来确定分类决策。

3、处理的问题不同。Fisher判别分析主要用于解决二分类问题或多分类问题。距离判别分析不仅可以用于分类问题，还可以用于聚类分析、异常检测等其他问题。

fisher线性判别的基本思想

Fisher线性判别分析的基本思想：选择一个投影方向（线性变换，线性组合），将高维问题降低到一维问题来解决，同时变换后的一维数据满足每一类内部的样本尽可能聚集在一起，不同类的样本相隔尽可能地远。

Fisher线性判别分析，就是通过给定的训练数据，确定投影方向W和阈值w0， 即确定线性判别函数，然后根据这个线性判别函数，对测试数据进行测试，得到测试数据的类别。

Fisher判别分析是要实现有的类间距离，以及最小的类内距离。

性判别函数的一般形式可表示成

g ( X ) = W T X + w 0 g(X)=W^TX+w_{0}

g(X)=W

T X+w 0其中

Fisher选择投影方向W的原则，即使原样本向量在该方向上的投影能兼顾类间分布尽可能分开，类内样本投影尽可能密集的要求。

（1）、W的确定

各类样本均值向量mi

、Fisher线性判别的决策规则

1.投影后，各类样本内部尽可能密集，即总类内离散度越小越好。

Fisher线性判别

答：

（1）考虑把d维空间的样本投影到一条直线上，形成一维空间，即把维数压缩到一维。

（2）然而，即使样本在d维空间里形成若干紧凑的互相分得开的集群，当把它们投影到一条直线上时，也可能会是几类样本混在一起而变得无法识别。

（3）但是，在一般情况下，总可以找到某个方向，使在这个方向的直线上，样本的投影能分得开。

设有一包含 个 维样本 ，若对 的分量做线性组合可得标量：

这样便得到 个一维样本 组成的。实际上， 的值是无关紧要的，它仅是 乘上一个比例因子，重要的是选择w的方向。 的方向不同，将使样本投影后的可分离程度不同，从而直接影响的分类效果。

因此，上述寻找投影方向的问题，在数学上就是寻找的变换向量 的问题

其中 是类间离散度矩阵， 为类内离散度矩阵。

解：

其中： 和 为两类的均值。

附：

维 空间

(1)样本均值：

(2)类内离散度矩阵：

(3)类间离散度矩阵：

1维 空间

(1)样本均值

(2)类内离散度矩阵：

定义：

分子为均值之，分母为样本在Y上类内离散度，应该使得分子尽可能大而分母尽可能小。

则分子可以化为：

同理，分母可以化为

则总体可以写为：

使用拉格朗日乘子法，令分母等于非零常数:

定义拉格朗日函数为：

令偏导数为零：

即：

其中 就是 的极值解。因为 非奇异，将上式两边左乘 ，可得：

上式为求一般矩阵 的特征值问题。利用 的定义，将上式左边的 写成：

其中 为一标量，所以 总在向量 的方向上。因此 可以写成：

从而可得：

因为目的是选择投影方向，因此比例因子无影响，忽略比例因子 ，得到：

欧氏距离判别法，马氏距离判别法和Fisher判别法的优缺点有哪些

这里不用知道是哪个距离。。。你FISHER做出来以后，找到系数，分别与对应自变量相乘得到判别式y。fisher判别需要知道临界值y0。可以用已知分组的所有y值相加，再除以个数，即得到y0。以两组为例，当组均值大于第二组均值，则当样品代入判别式后，若 y大于y0，则判为组；反之，则判为第二组。

有不懂可以hi我

SPSS在完成Fisher判别分析后，会给出典则判别函数系数和在每一类质心处的函数马氏距离，你可以搜搜有关“距离判别分析法”的论文，很多论文的前面都有介绍

Bayes判别法与Fisher判别法联系与区别

至今还难以评价哪一种判别方法，此处仅对Bayes判别法与Fisher判别法作比较。（1）当k个总体的均值向量 共线性程度较高时，Fisher判别法可用较少的判别函数进行判别，因而比Bayes判别法简单。另外，Fisher判别法未对总体的分布提出什么特定的要求。

（2）Fisher判别法的不足是它不考虑各总体出现概率的大小，也给不出预报的后验概率及错判率的估计以及错判之后造成的损失。而这些不足恰是Bayes判别法的优点，但值得指出的是，如果给定的先验概率不符合客观实际时，Bayes判别法也可能会导致错误的结论。

4 各判别法之间的关系

在上述判别法中，只要满足一些必要的条件，它们将是等价的。

（1）在正态等协阵的条件下，Bayes线性判别函数（在不考虑先验概率 的影响）等价于距离判别准则。因此Bayes线性判别法与距离判别法是等价的。

（2）不加权的Fisher判别法等价于距离判别法，因此在等协阵条件下，Bayes线性判别法、Fisher线性判别法与距离判别法三者是等价的。（理论上可以说明Bayes线性判别函数在总体是非正态时也适用，只不过丧失正态性后，Bayes判别法具有的平均错判率最小的性质就不一定存在了）。