R语言中的基本知识

贝叶斯判别的基本思想是什么？

贝叶斯判别是根据最小风险代价判决或最大似然比判决，是根据贝叶斯准则进行判别分析的一种多元统计分析法,具有一定的“主观性”，使得贝叶斯统计变的强大且便利.

优势

即使在数据很少的情况下也可以进行推测，随着数据量的增大，推测也会越来越准确，以及可以对所做信息做出瞬时反应，自动升级推测。

基本思想：

设有两个总体，它们的先验概率分别为 f1(x),f2(x)，各总体的密度函数为 、 在观测到一个样本 x的情况下，可用贝叶斯公式计算它来自第 k 个总体的后验概率为：

练习题第 4 题:对于 A 股市场 2009 年陷入财务困境的上市公司（ST 公司），我
们收集了 8 间 ST 公司陷入财务困境前的一年（2008 年）的财务数据，同时对
于财务良好的公司（非 ST 公司），收集了同一时期 8 家非 ST 公司对应的财务数
据。如表 6-5 所示：

数据涉及四个变量：资产负债率 x1 、流动资产周转率 x2 、总资产报酬率 x3 和营业收入增长率 x4。类别变量 G 中 2 代表 ST公司，1 代表非 ST 公司。

导入数据：

数据查看：

> dim(l6_5)#用于获取 l6_5 数据的维度
> duplicated(l6_5)#用于去重，标记 TRUE 的位置则表明数据重复
> l4<-unique(l6_5) #去除相同的行

（1） 分别建立线性判别，非线性判别和 Bayes 判别分析模型，计算各自的判别符合率，确定哪种方法最适合；
线性判别：

> library(MASS) #导入 MASS 包
> ld=lda(G~x1+x2+x3+x4,data = l6_5) # 建立线性判别模型
> lp=predict(ld) # 根据线性判别模型预测所属类别
> G1=lp$class # 预测的所属类别结果
> t1=table(G,G1) # 生成判别矩阵
> t1 # 查看判别矩阵
> r1=sum(diag(t1)/sum(t1)) # 计算判对率
> r1 # 查看判对率

非线性判别：

> qd=qda(G~x1+x2+x3+x4) # 建立非线性判别模型(二次判别)
> qd
> qp=predict(qd) # 根据非线性判别模型预测所属类别
> G2=qp$class # 预测的所属类别结果
> t2=table(G,G2) # 生成判别矩阵
> t2
> r2=sum(diag(t2))/sum(t2) # 计算判对率
> r2

Bayes 判别：
假设两类总体均服从正态分布。则先验概率为频率的 Bayes 与线性判别的判别结果相同，下面建立先验概率相同的 Bayes 判别分析模型。

> ld2=lda(G~x1+x2+x3+x4,prior=c(1,1)/2,data = l6_5)# 建立 Bayes 判别模型 (先
验概率相等的情况)
> lp2=predict(ld2) # 根据 Bayes 判别模型预测所属类别
> ld2
> G3=lp2$class # 预测的所属类别结果
> t3=table(G,G3) # 生成判别矩阵
> t3
> r3=sum(diag(t3))/sum(t3);r3 # 计算判对率

总结：

由上述建立线性判别，非线性判别和 Bayes 判别分析模型，计算各自的判别符合率 r1=0.875，r2=1，r3=0.875，可知非线性判别分析模型最恰当。

（2） 某公司 2008 年财务数据为：x1:78.3563,x2:0.8895,x3:1.8001,x4:14.1022。
试判定 2009 年该公司是否会陷入财务困境。

predict(ld,data.frame(x1=78.3563,x2=0.8895,x3=1.8001,x4=14.1022))

总结：

由上述预测结果判定为 2 可知->(陷入危机)的概率为 87%，可信，2009 年该公 司会陷入财务困境。

> detach(l6_5) # 使用完毕，解绑