试用SPSS建立Fisher判别函数,并结合Bayes判别法对另外的4名新的应征人员进行类别判定

首先，我们需要先进行Fisher判别函数的建立，步骤如下：

1. 收集样本数据，包括已知类别的应征人员数据。

2. 对样本数据进行预处理，包括缺失值处理、异常值处理等。

3. 对样本数据进行特征选择，选择能够有效区分不同类别的特征。

4. 计算各个特征的类内离散度和类间离散度，然后求出最优判别函数。

5. 利用最优判别函数对新的应征人员进行分类。

下面是具体的步骤：

1. 收集样本数据。假设我们已经收集到了50个应征人员的数据，每个应征人员有3个特征，其中2个特征是数值型，1个特征是分类型。已知其中25个应征人员被录取，25个应征人员未被录取。

2. 对样本数据进行预处理。假设我们已经完成了缺失值和异常值的处理，得到了完整的数据集。

3. 对样本数据进行特征选择。我们可以使用逐步回归法、方差分析法等方法进行特征选择，选择出对分类有显著影响的特征。假设我们选择了两个数值型特征作为最终的特征。

4. 计算各个特征的类内离散度和类间离散度。假设我们使用SPSS进行计算，具体步骤如下：

- 打开SPSS软件，导入样本数据。

- 选择“分类”-“判别分析”-“线性”菜单，进入线性判别分析对话框。

- 在“变量”选项卡中，选择要进行分析的变量，包括分类变量和数值型变量。

- 在“选项”选项卡中，选择“类内离散度矩阵”和“类间离散度矩阵”。

- 点击“确定”按钮，SPSS将自动计算各个特征的类内离散度和类间离散度，并输出最优判别函数。

5. 利用最优判别函数对新的应征人员进行分类。假设我们已经收集到了4名新的应征人员的数据，每个应征人员有3个特征，其中2个特征是数值型，1个特征是分类型。我们可以使用Bayes判别法进行分类，具体步骤如下：

- 根据已知样本数据，计算出各个类别的先验概率。

- 根据已知样本数据，计算出各个类别的条件概率密度函数。

- 对于每个新的应征人员，计算出其在各个类别下的后验概率。

- 将新的应征人员分类为后验概率最大的那个类别。

以上就是利用SPSS建立Fisher判别函数，并结合Bayes判别法对新的应征人员进行类别判定的具体步骤。