PY_smallH的博客

关于协方差同质性检验，我也是一知半解，不过多讲解，自己也很懵。本文讲述对于两分类问题的协方差矩阵检验，和多分类的协方差矩阵的检验两分类的协方差矩阵齐性检验Σ1是类别1的协方差，Σ2是类别2的协方差，Σ是两个协方差的联合协方差（即图中的Σ_hat，和S）。式子中 tr 表示trace，即沿着对角线求和。p是维数，即数据有几个特征因为在贝叶斯判别的式子中如果两分类协方差相等，那么用的是他们的联合协方差做计算。所以这个检验方法是检验Σ1 和联合协方差的差异性，和Σ2与联合协方差的差异性。如果他们

贝叶斯判别规则是把某特征矢量(x) 落入某类集群的条件概率当成分类判别函数(概率判别函数)，x落入某集群的条件概率最大的类为X的类别，这种判决规则就是贝叶斯判别规则。贝叶斯判别规则是以错分概率或风险最小为准则的判别规则。这是百度百科的解释，乍一看，有点不清楚，其实就是用贝叶斯公式，判别他属于某一个类别的概率。贝叶斯公式P(A∩B) = P(A) P(B|A) = P(B) P(A|B)在此公式为：P(W|X)即为后验概率。P(X|W)，统计在W类中，发生X的概率，可以从概率密度函数理解P(

Fisher判别分析，或称为线性判别分析（Linear Discriminant Analysis，LDA）。LDA有时也被称为Fisher’s LDA。最初于1936年，提出Fisher线性判别，后来于1948年，进行改进成如今所说的LDA。关于Fisher判别的数学原理和推到过程，这里就不多介绍，附上另外一篇文章，写的很详细。Fisher数学推导建议看完推导过程再回来。这里讨论二分类。其实我们要的就是最终的结论：因为我们最终计算的时候，就是通过这个公式来计算，方法有两种，第一是通过1式计

灰色关联分析法：对于两个系统之间的因素，其随时间或不同对象而变化的关联性大小的量度，称为关联度。在系统发展过程中，若两个因素变化的趋势具有一致性，即同步变化程度较高，即可谓二者关联程度较高；反之，则较低。因此，灰色关联分析方法，是根据因素之间发展趋势的相似或相异程度，亦即“灰色关联度”，作为衡量因素间关联程度的一种方法。灰色关联分析，公式网上都有很多，计算也不难，这里就不写公式。之所以称为关联，是因为他只反映哪一个指标和要对比的指标最有关系，而不反映相关性。他和相关性系数，没有一毛钱关系，也不对等。

一边学，一边记。简单相关系数：仅仅研究两个变量之间的关系偏相关系数：多个相关变量中研究两个变量之间的关系多元回归：多个不相关（理想化，不存在完全不相关）自变量与一个因变量之间的关系通径分析：多个相关的自变量与一个因变量之间的关系典型相关系数：多个相关的因变量与多个相关的自变量之间的关系看图图中箭头表示自变量之间存在因果关系，x1直接指向y为x1对y的直接通径。r表示变量之间的相关系数在直接通径上，若xi到的值增加一个标准差单位时，y将要改变的标准差单位Piy,称为通径xi到y的系数。这

–记录自己学习的步伐，点滴的生活，以后学习和复习使用。纯手打，代码不抄袭。–来源百度百科，具体定义和性质可以查看百度百科的内容。马尔科夫链或者看一下下面的这个文章，也是翻译转载过来的。偷渡一下：[译] 用 Python 实现马尔可夫链的初级教程用概率数学公式表示如下：Pr( Xn+1 = x | X1 = x1, X2 = x2, …, Xn = xn) = Pr( Xn+1 = x | Xn = xn)就是说 Xn+1 的概率只和之前的 Xn 的概率有关。所以只需要知道上一个状态就可以确定现在

聚类分析原理简介：聚类分析是对样品或变量进行分类的一种多元统计方法，目的在于将相似的实物归类。聚类分析并不是一种纯粹的统计技术，在方法基础上与分布理论和显著性无关，一般不用于从样本推断总体的研究。在市场研究中，聚类分析主要用于市场细分、研究消费者行为，寻找新的潜在市场和左尾其他统计分析的预处理等。聚类分析的基本概念聚类（clustering）是将某个对象集划分为若干组（class或cluster）的过程，使得同一个组内的数据对象是具有较高的相似度，而不同的组中间的数据对象是不相似的，相似或者不相似的

spss统计分析书中这样写到：在线性回归模型中，有一个同方差性假设，就是要求所有观测对回归模型的变异具有相同的贡献，以此为基础的回归方法称之为普通最小二乘法(OLS)。当因某些观测的变异较其他观测大而导致样本的方差不等时，就不能使用OLS方法了。如果观测的变异是可以通过其他变量进行预测，就可以使用加权最小二乘法(WLS)来拟合线性回归模型。WLS实际上是在回归中按观测量方差的倒数对观测进行加权，这样就会降低具有较大方差的观测记录对计算过程的影响。例如在研究通货膨胀和失业率对股票价格的影响时，考虑到高市值

这里写自定义目录标题欢迎使用Markdown编辑器新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入欢迎使用Markdown编辑器你好！ 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Mar

每天学习一点，每天进步一点。声明：本人所有的原创，都是自己在学习过程中的记录点滴，不一定都是对的，肯定也会有一些错误的想法。所以大家看一看就好，不可尽信。当然也欢迎指出。T分布定义，有来自标准正态分布的样本X ~ N（0,1），和来自卡方n分布的Y ~ X2(n)，那么有 Z= X/√（Y/n） 成为符合自由度为n的T分布我们用Python代码画一下他的图形# 给一个自由度，返回这个自由度的卡方分布 X²(n)def product(n): n = np.ceil(n).astype

卡方分布定义：设 X1…Xn是服从标准正态分布的随机变量，则称统计量服从自由度为n的卡方分布，自由度为n时，他的期望是n，方差为2n他是标准正态分布变量的平方和，网上找了一张概率密度图：然后我很好奇的是，这张图怎么画出来的呢？既然是正态分布的平方和，我就试一下弄几个正态分布平方和，看看图形是不是这个样子。用Python代码# 产生服从N（0,1）分布的1000个数x1 = np.random.randn(1000)y1 = np.power(x1,2)一个一个产生太慢了，，用循环生