а. У прикладі з банком ці дані будуть містити статистику за вже наданими кредитами з інформацією про те, повернув Чи позичальник кредит чи ні. Необхідно визначити змінні, які мають істотне значення для розділення спостережень на групи, і розробити алгоритм для віднесення нових клієнтів до тієї чи іншої групи. h2 align=center> 1. Дискримінантний аналіз
В
1.1 Методи класифікації з навчанням
Дискримінантний аналіз є розділом багатовимірного статистичного аналізу, який включає в себе методи класифікації багатовимірних спостережень за принципом максимальної схожості при наявності повчальних ознак. p> У дискримінантному аналізі формулюється правило, за яким об'єкти підмножини підлягає класифікації відносяться до одного з вже існуючих (Навчальних) підмножин (класів). На основі порівняння величини дискриминантной функції классифицируемого об'єкта, розрахованої за дискримінантний змінним, з деякою константою дискримінації. p> У випадку завдання розрізнення (дискримінації) формулюється таким чином. Нехай результатом спостереження над об'єктом є реалізація k - мірного випадкового вектора. Потрібно встановити правило, згідно з яким за спостереженнями значенням вектора х об'єкт відносять до однієї з можливих сукупностей. Для побудови правила дискримінації всі вибіркове простір R значень вектора х розбивається на області так, що при попаданні х в об'єкт відносять до сукупності. p> Правило дискримінації вибирається відповідно з певним принципом оптимальності на основі апріорної інформації про сукупностях вилучення об'єкту з. При цьому слід враховувати розмір збитку від неправильного дискримінації. Апріорна інформація може бути представлена ​​як в Віді деяких відомостей про функції мірного розподілу ознак в кожній сукупності, так і у вигляді вибірок з цих сукупностей. Апріорні ймовірності можуть бути або задані, або ні. Очевидно, що рекомендації будуть тим точніше, чим повніше вихідна інформація. p> З точки зору застосування дискримінантного аналізу найбільш важливою є ситуація, коли вихідна інформація про розподіл представлена ​​вибірками з них. У цьому випадку завдання дискримінації ставиться таким чином. p> Нехай вибірка із сукупності, причому кожен - й об'єкт вибірки представлений k - мірним вектором параметрів. Вироблено додаткове спостереження над об'єктом, що належить одній з сукупностей. Потрібно побудувати правило віднесення спостереження х до однієї з цих сукупностей.
Зазвичай в задачі розрізнення переходять від вектора ознак, хapaктeрізующіх об'єкт, до лінійної функції від них, дискриминантной функції гіперплощини, найкращим чином розділяє сукупність вибіркових точок. p> Найбільш вивчений випадок, коли відомо, що розподіл векторів ознак в кожній сукупності нормально, але немає інформації про параметри цих розподілів. Тут природно замінити невідомі параметри розподілу в дискриминантной функції їх найкращими оцінками. Правило дискримінації...
