数学建模【分类模型】

一、分类模型简介

本篇将介绍分类模型。对于二分类模型,我们将介绍逻辑回归(logistic regression)和Fisher线性判别分析两种分类算法;对于多分类模型,我们将简单介绍SPSS中的多分类线性判别分析和多分类逻辑回归。

分类模型,顾名思义将数据分类。如有一堆苹果和橙子,有它们的重量,大小,颜色等数据,将它们根据数据分为两类,之后如果给出数据,可以进行一定的判断,这个只有数据的是苹果还是橙子。

二、适用赛题

预测类

  • 由已知数据处理分类得到模型
  • 对后来的数据进行预测

三、模型流程

四、流程分析

本篇中的逻辑回归和Fisher线性判别不做证明,且逻辑回归和Fisher线性判别推荐使用SPSS软件进行操作

1.确定分类

分类模型有二分类和多分类两种,开始先得确定要分多少类。比如上面的苹果和橙子例子就是二分类;如果水果种类再多点,像苹果、橙子、柠檬和橘子,就是多分类问题。

2.二分类
①逻辑回归

对于因变量为分类变量的情况,我们可以使用逻辑回归进行处理。把y看成事件发生的概率,y ≥ 0.5表示发生;y < 0.5表示不发生。比如可以说y ≥ 0.5是苹果,y < 0.5是橙子。

线性概率模型(Linear Probability Model 简记LPM)

由于后者有解析表达式(而标准正态分布的cdf没有),所以计算logistic模型比probit模型更为方便。

②Fisher线性判别分析

LDA(Linear Discriminant Analysis)是一种经典的线性判别方法,又称Fisher判别分析。该方法思想比较简单: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。

可借助SPSS软件直接得到结果。

3.多分类

多分类的操作和二分类类似,这里不再赘述。

4.合理性
如果预测结果较差怎么办?

可在Logistic回归模型中加入平方项、交互项等。

但在加入平方项之后,虽然预测能力提高了,但有可能会出现过拟合现象。

也就是对于样本数据的预测非常好,但是对于样本外的数据的预测效果可能会很差。

所以如何确定合适的模型?

把数据分为训练组和测试组,用训练组的数据来估计出模型,再用测试组的数据来进行测试。(训练组和测试组的比例一般设置为80%和20%)

注意:为了消除偶然性的影响,可以对上述步骤多重复几次,最终对每个模型求--个平均的准确率,这个步骤称为交叉验证。

5.预测

根据给出的数据,计算得到属于哪个类别的可能性最大。

相关推荐
jerwey27 分钟前
大语言模型(LLM)按架构分类
人工智能·语言模型·分类
微学AI27 分钟前
遥感影像岩性分类:基于CNN与CNN-EL集成学习的深度学习方法
深度学习·分类·cnn
Better Rose1 小时前
数学建模从入门到国奖——备赛规划&优秀论文学习方法
数学建模·学习方法
孤狼warrior2 小时前
灰色预测模型
人工智能·python·算法·数学建模
拓端研究室11 小时前
视频讲解|核密度估计朴素贝叶斯:业务数据分类—从理论到实践
人工智能·分类·数据挖掘
彭祥.18 小时前
Jetson边缘计算主板:Ubuntu 环境配置 CUDA 与 cudNN 推理环境 + OpenCV 与 C++ 进行目标分类
c++·opencv·分类
生态遥感监测笔记19 小时前
GEE利用已有土地利用数据选取样本点并进行分类
人工智能·算法·机器学习·分类·数据挖掘
遇雪长安1 天前
差分定位技术:原理、分类与应用场景
算法·分类·数据挖掘·rtk·差分定位
是Dream呀1 天前
基于连接感知的实时困倦分类图神经网络
神经网络·分类·数据挖掘