数学建模（9）分类模型

数学建模（9）分类模型

也就是逻辑（logistic）回归或者fisher判别

逻辑回归

y≥0.5事件发生

y<0.5事件不发生

所以需要找到一个函数值域在[0,1]之间

比如标准正态分布的累计密度函数（称为$probit$回归）

$$\Phi (x)={\int }_{-\infty }^x\frac{1}{\sqrt{2\pi }}{e}^{-\frac{t^2}{2}}dt$$

和$Sigmoid$函数（称为$logistic$回归）

$$S(x)=\frac{e^x}{1+e^x}$$

常用逻辑回归，因为积分不方便。

一般用$F(x_i^{\prime }\beta )$来

$$S(x)=\frac{exp(x_i^{\prime }\beta )}{1+exp(x_i^{\prime }\beta )}$$

其中$x_i^{\prime }\beta$就是之前的线性回归的过程

这里的$sigmoid$函数叫做连接函数

我的理解就是把线性回归之后的结果，再从$sigmoid$函数里面过一遍，然后达到了把值域控制在[0,1]之间，达到分类的效果。

逻辑回归SPSS流程

// 生成虚拟变量为0-1变量，二分类生成一个即可
SPSS->转换->创建虚变量->留下一个即可
// 开始分析
SPSS->分析->二元逻辑回归->
选中因变量和协变量(自变量)->方法可以看情况选->
// 几个可选项
// 保存->选择概率、组成员->
// 选项->步进/除去概率就是指逐步回归的接受的概率->
// 分类分界值默认0.5，也可以选其他
// 自主抽样可以扩大样本

可以加入高阶次方，但是谨慎，容易出现过拟合现象（类似龙格现象）。

交叉验证：可以用已经存在的数据对于自己的预测模型做评估。

Fisher线性判别分析

给定训练集样例，设法将样例投影到一维的直线上，使得同类样例的投影点尽可能接近和密集，异类投影点尽可能远离。

SPSS线性判别分析流程

SPSS->分组变量（因变量）、自变量->
// 选择参数
定义范围->[0,1]
统计->函数系数全选
分类->摘要表
保存->全选

多分类问题

也可以使用Fisher线性判别分析

SPSS也可以做，和之前类似

逻辑回归也可以

把逻辑回归$sigmoid$函数推广为$softmax$函数

SPSS->分析->回归->多元线性分析->加入因变量、自变量
// 参数
保存->估算响应概率、预测类别
选项->进入、除去概率与之前类似
如果概率太高、太准，可能会出现过拟合