在数据处理中,有这样一种情况:现在已经有若干样本被正确地分类了,但不清楚分类的依据是什么。同时,未来还会有大量的未被分类的样本,需要按照上述规则判定这些样本的所属类别。为此,需要根据已被正确分类的样本及其属性,进行数据分析,找出影响样本归类的关键因素,甚至获得一个判定系数;然后依据判定系数,对未来样本进行判别。判别分析是为了解决未来个案归属问题而提出的一种数据分类技术,它基于已有的分类个案寻求有效的判别规则,并借助判别规则对未来个案的归属进行判定。
判别分析基于已有的个案及其分类情况(已有类别号),寻求能够决定个案类别归属的判定函数式,然后借助判定函数来对未归类个案实施判定。在针对个案的判别分析中,判别函数的质量直接影响到判定的正确率,因此寻求优质的判定函数对于判别分析的正确与否至关重要。
判别分析的价值主要体现在两个方面:
让未来个案自动归类或预测其可能的类别;
修正当前已归类个案中的不严谨结论;
基于已分类的部分个案开展分析并最终获得判别函数式,然后再依据判别函数式重新对已经分类个案进行判断,可以检查判别函数式的质量。如果判定值与原始类别号的吻合度较高,达到85%以上,则表示判别函数式有效,那么可以借助这个判别函数式对未来个案进行分类。与此同时,还可进一步检查在已有个案中,判定值与原始类别号不能吻合的那些个案,看看它们的归类是否存在问题。
两种判别方式
在SPSS中,判别分析的实现共有两种思路,分别是费舍尔(Fisher)判别法和贝叶斯(Bayes)判别法。
Fisher判别法
Fisher判别法是一种基于多维坐标系的判定