七大統(tǒng)計(jì)模型詳解

　　一、多元回歸

　　1、概述：

　　在研究變量之間的相互影響關(guān)系模型時(shí)候，用到這類方法，具體地說(shuō)：其可以定量地描述某一現(xiàn)象和某些因素之間的函數(shù)關(guān)系，將各變量的已知值帶入回歸方程可以求出因變量的估計(jì)值，從而可以進(jìn)行預(yù)測(cè)等相關(guān)研究。

　　2、分類

　　分為兩類：多元線性回歸和非線性線性回歸;

　　其中非線性回歸可以通過(guò)一定的變化轉(zhuǎn)化為線性回歸，比如：y=lnx 可以轉(zhuǎn)化為y=u u=lnx來(lái)解決;

　　3、 注意事項(xiàng)

　　在做回歸的時(shí)候，一定要注意兩件事：

　　(1) 回歸方程的顯著性檢驗(yàn)

　　(2) 回歸系數(shù)的顯著性檢驗(yàn)

　　檢驗(yàn)是很多學(xué)生在建模中不注意的地方，好的檢驗(yàn)結(jié)果可以體現(xiàn)出你模型的優(yōu)劣，這點(diǎn)一定要注意。

　　二、聚類分析

　　1、概述：

　　聚類分析指將物理或抽象對(duì)象的集合分組為由類似的對(duì)象組成的多個(gè)類的分析過(guò)程。

　　2、分類

　　聚類主要有三種：

　　(1) K均值聚類

　　(2) 系統(tǒng)聚類

　　(3)二階聚類

　　類的距離計(jì)算方法：

　　(1) 最短距離法

　　(2) 最長(zhǎng)距離法

　　(3) 中間距離法

　　(4) 重心法

　　(5) 類平均法

　　(6) 可變類平均法

　　(7) 可變法

　　(8) 利差平均和法

　　3、注意事項(xiàng)

　　在樣本量比較大時(shí)，要得到聚類結(jié)果就顯得不是很容易，這時(shí)需要根據(jù)背景知識(shí)和相關(guān)的其他方法輔助處理。

　　還需要注意的是：如果總體樣本的顯著性差異不是特別大的時(shí)候，使用的時(shí)候也要注意!

　　三、分類

　　1、概述

　　分類是一種典型的有監(jiān)督的機(jī)器學(xué)習(xí)方法，其目的是從一組已知類別的數(shù)據(jù)中發(fā)現(xiàn)分類模型，以預(yù)測(cè)新數(shù)據(jù)的未知類別。

　　這里需要說(shuō)明的是：預(yù)測(cè)和分類是有區(qū)別的，預(yù)測(cè)是對(duì)數(shù)據(jù)的預(yù)測(cè)，而分類是類別的預(yù)測(cè)。

　　2、常用分類模型：

　　(1)神經(jīng)網(wǎng)絡(luò)

　　(2)決策樹(shù)

　　3、注意事項(xiàng)

　　A. 神經(jīng)網(wǎng)絡(luò)適用于下列情況的分類：

　　(1) 數(shù)據(jù)量比較小，缺少足夠的樣本建立數(shù)學(xué)模型

　　(2) 數(shù)據(jù)的結(jié)構(gòu)難以用傳統(tǒng)的統(tǒng)計(jì)方法來(lái)描述

　　(3) 分類模型難以表示為傳統(tǒng)的統(tǒng)計(jì)模型

　　B. 神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)：

　　分類準(zhǔn)確度高，并行分布處理能力強(qiáng)， 對(duì)噪聲數(shù)據(jù)有較強(qiáng)的魯棒性和容錯(cuò)能力，能夠充分逼近復(fù)雜的非線性關(guān)系，具備聯(lián)想記憶的功能等。

　　C. 神經(jīng)網(wǎng)絡(luò)缺點(diǎn)：

　　需要大量的參數(shù)，不能觀察中間學(xué)習(xí)過(guò)程，輸出結(jié)果較難解釋，會(huì)影響到結(jié)果的可信度，需要較長(zhǎng)的學(xué)習(xí)時(shí)間，當(dāng)數(shù)據(jù)量較大的時(shí)候，學(xué)習(xí)速度會(huì)制約其應(yīng)用。