m0_56444893的博客

文章目录1 Logistic回归模型1.1 模型的概念1.2 模型的建立1.3 参数的估计1.4 模型的求解1.5 模型的预测1.6 拟合优度检验1.7 计算预测正确率1 Logistic回归模型1.1 模型的概念在很多问题上，被解释的变量只有两个结果，这样的变量我们可以用虚拟变量来表示，即用0或1，也就是表示是与否的关系。1.2 模型的建立Logistic回归模型不对因变量y直接进行建模，而是对y取某个值的概率进行建模，即p{y=1|x}进行建模。这个概率的取值只有0或1两种情况。那么可以得到p

一元线性回归分析一元回归分析的基本概念回归模型的建立一般包括：（1）通过某事物现，转化为具体问题；（2）确定指标变量，收集整理数据，并构建模型进行参数估计；（3）模型的检验，当模型检验不通过时，需要重新修改模型；（4）模型的应用，得出结论，运行给出决策等。基本概念通常我们要先收集与研究相关的数据的一组或者多组样本，为直观观察数据的分布规律，我们可以将收集到每组数据绘制二维数据散点图。一元回归分析的参数估计一元回归模型的参数估计一般采用极大似然法与最小二乘法，其中最常用的是最小二乘法估计。

目录1.相关检验1.1spearman相关秩相关检验1.2kendall t相关检验2.回归拟合2.1数据检验2.2散点图2.3计算模型与拟合2.4模型回归诊断1.相关检验1.1spearman相关秩相关检验斯皮尔曼相关系数被定义成等级变量之间的皮尔逊相关系数。对于样本容量为n的样本，n个原始数据被转换成等级数据。 实际应用中，变量间的连结是无关紧要的，于是可以通过简单的步骤计算ρ.被观测的两个变量的等级的差值，则r为：1.2kendall t相关..

1.K-means的原理1.1聚类分析的基本思想先随机选取K个对象作为初始的聚类中心。然后计算每个对象与各个种子聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心。聚类中心以及分配给它们的对象就代表一个聚类。一旦全部对象都被分配了，每个聚类的聚类中心会根据聚类中现有的对象被重新计算。这个过程将不断重复直到满足某个终止条件。终止条件可以是以下任何一个：（1) 没有（或最小数目）对象被重新分配给不同的聚类。（2)没有（或最小数目）聚类中心再发生变化。（3)误差平方和局部最小。1

目录1.基本理论1.1因子分析的基本思想 1.2因子分析模型1.3因子分析的基本步骤2.因子载荷求解 2.1极大似然法2.2主成分法 2.3主成分方差最大化正交因子旋转法 2.4绘制因子载荷图 2.5绘制每个学生因子得分图1.基本理论1.1因子分析的基本思想因子分析法是从研究变量内部相关的依赖关系出发，把一些具有错综复杂关系...

系统聚类法 系统聚类法中最常用的方法是最短距离法和最长距离法。 1.最短目录系统聚类法1.最短距离法计算公式2.最长距离法计算公式1.最小距离法最小距离法聚类分析运行结果结果分析 2.最大距离法最大距离法聚类分析运行结果结果分析 距离法计算公式 最短距离法是类与类之间按照公式；来计算的系统聚类法。它等于类Gp与类Gq中最邻近的两个样品的距离。2.最长距离法计算公式 ...

目录1.主成分分析步骤2.常用函数1.princomp函数2.summary函数3.loadings函数4.predict函数5.screeplot函数3.代码实现1.主成分分析步骤（1）将数据标准化（2）求样本的相关系数矩阵R（3）求R的特征值以及特征向量（4）按主成分累计贡献率超过85%来确定主成分的个数K，并写出主成分表达式（5）对分析结果做统计意义和实际意义的解释2.常用函数1.princomp函数用于计算相关矩阵R做主成分

目录1.一元线性模型1.1绘制散点图1.2回归参数的估计1.3回归方程的显著性检验1.4线性模型常用函数2.软件实现2.1绘制散点图2.2计算回归2.3做预测2.4残差分析2.5回归诊断分析3.多元线性模型3.1模型建立3.2代码实现3.3做预测3.4残差分析3.5回归诊断分析1.一元线性模型一元线性模型一般用于描述因变量随自变量之间的线性模型一般为：其中，表示Y随X的变化而线性变化的部分;是随机误差。1.1绘制