最大似然法 : 用于自变量均为分类变量的情况,该方法建立在独立事件概率乘法定
理的基础上,根据训练样品信息求得自变量各种组合情况下样品被封为任何一类的
概率。当新样品进入时,则计算它被分到每一类中去的条件概率 ( 似然值 ) ,概率
最大的那一类就是最终评定的归类。
距离判别 : 其基本思想是有训练样品得出每个分类的重心坐标,然后对新样品求出
它们离各个类别重心的距离远近,从而归入离得最近的类。最常用的距离是马氏距
离,偶尔也采用欧式距离。距离判别的特点是直观、简单,适合于对自变量均为连
续变量的情况下进行分类,且它对变量的分布类型无严格要求,特别是并不严格要
求总体协方差矩阵相等。
Fisher 判别 : 亦称典则判别,是根据线性 Fisher 函数值进行判别,通常用于梁祝
判别问题,使用此准则要求各组变量的均值有显著性差异。该方法的基本思想是投
影,即将原来在 R 维空间的自变量组合投影到维度较低的 D 维空间去,然后在 D
维空间中再进行分类。投影的原则是使得每一类的差异尽可能小,而不同类间投影
的离差尽可能大。 Fisher 判别的优势在于对分布、方差等都没有任何限制,应用
范围比较广。另外,用该判别方法建立的判别方差可以直接用手工计算的方法进行
新样品的判别,这在许多时候是非常方便的。
第 1 页 / 共 29 页