python根据品种散点图鸢尾花_SPSS分析技术：典型判别分析；由鸢(yuan)尾花分类发展而来的分析方法...-CSDN博客

本文链接：https://blog.csdn.net/weixin_39637397/article/details/111422494

本文介绍了典型判别分析，一种区分因变量和自变量的统计方法，常用于模式识别和分类问题。通过实例展示了如何使用Python和SPSS进行鸢尾花数据的判别分析，解释了分析结果，包括判别函数、特征根、标准化系数等，并探讨了其与因子分析的区别。

摘要由CSDN通过智能技术生成

前面介绍的因子分析和聚类分析都是围绕变量进行的分析，这里的变量不分因变量和自变量。因子分析通过变量结构的研究，达到降低维度的目的，使数量很多的变量浓缩成少量的互相独立的公因子，简化了后续的分析；聚类分析通过研究个案(记录)共有的属性变量，依据它们之间距离的远近，将数量众多的个案(记录)分成几个类型。

判别分析有很多类型，今天介绍的是典型判别分析，从分析原理来看，其与因子分析类似；从模型结构来看，则与前面介绍的逻辑回归相似。

典型判别分析原理

判别分析与因子分析和聚类分析不同，判别分析需要区分因变量和自变量，其中因变量是分类型数据(定类或定序)，而自变量可以是任何尺度的数据，只是分类型自变量需要以虚拟变量的形式进入判别模型。以上这些和逻辑回归模型是一致的，不同之处在于判别分析的目的是建立原始变量的线性组合，使得根据因变量划分的不同类别之间差异最大，而逻辑回归模型的拟合方法是极大似然法，它们在模型拟合方法上是完全不同的。如果自变量中连续型变量较多，那么判别分析更为准确，如果分类型变量较多，则逻辑回归分析较为好用，大家可以根据实际分析结果来选择。

判别分析的能够用于很多领域，它可以根据已知样本的分类情况来判断未知待判样本的类别归属。例如，客户信用风险判别、客户分类、地层判断、模式识别等，是应用相当广泛的多元统计技术。

典型判别分析是基于方差分析的思想创造出来的，它试图找到一个由原始自变量组成的线性函数，使得不同总体的组间差异与组内差异的比值最大。如下方左图所示，在原始变量X1和X2组成的坐标系中，两个总体在两个坐标轴上都有部分重合；可喜的是，通过将原始变量X1和