七大統計模型詳解

　　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(lèi)方法，具體地說(shuō)：其可以定量地描述某一現象和某些因素之間的函數關(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值，從而可以進(jìn)行預測等相關(guān)研究。

　　2、分類(lèi)

　　分為兩類(lèi)：多元線(xiàn)性回歸和非線(xiàn)性線(xiàn)性回歸;

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

　　3、 注意事項

　　在做回歸的時(shí)候，一定要注意兩件事：

　　(1) 回歸方程的顯著(zhù)性檢驗

　　(2) 回歸系數的顯著(zhù)性檢驗

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

　　二、聚類(lèi)分析

　　1、概述：

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

　　2、分類(lèi)

　　聚類(lèi)主要有三種：

　　(1) K均值聚類(lèi)

　　(2) 系統聚類(lèi)

　　(3)二階聚類(lèi)

　　類(lèi)的距離計算方法：

　　(1) 最短距離法

　　(2) 最長(cháng)距離法

　　(3) 中間距離法

　　(4) 重心法

　　(5) 類(lèi)平均法

　　(6) 可變類(lèi)平均法

　　(7) 可變法

　　(8) 利差平均和法

　　3、注意事項

　　在樣本量比較大時(shí)，要得到聚類(lèi)結果就顯得不是很容易，這時(shí)需要根據背景知識和相關(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(zhù)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(lèi)

　　1、概述

　　分類(lèi)是一種典型的有監督的機器學(xué)習方法，其目的是從一組已知類(lèi)別的數據中發(fā)現分類(lèi)模型，以預測新數據的未知類(lèi)別。

　　這里需要說(shuō)明的是：預測和分類(lèi)是有區別的，預測是對數據的預測，而分類(lèi)是類(lèi)別的預測。

　　2、常用分類(lèi)模型：

　　(1)神經(jīng)網(wǎng)絡(luò )

　　(2)決策樹(shù)

　　3、注意事項

　　A. 神經(jīng)網(wǎng)絡(luò )適用于下列情況的分類(lèi)：

　　(1) 數據量比較小，缺少足夠的樣本建立數學(xué)模型

　　(2) 數據的結構難以用傳統的統計方法來(lái)描述

　　(3) 分類(lèi)模型難以表示為傳統的統計模型

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

　　分類(lèi)準確度高，并行分布處理能力強， 對噪聲數據有較強的魯棒性和容錯能力，能夠充分逼近復雜的非線(xiàn)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，不能觀(guān)察中間學(xué)習過(guò)程，輸出結果較難解釋?zhuān)瑫?huì )影響到結果的可信度，需要較長(cháng)的學(xué)習時(shí)間，當數據量較大的時(shí)候，學(xué)習速度會(huì )制約其應用。