x=read.table("D:\\大二下\\多元统计分析\\shuju\\距离判别.txt",header = T) x class=factor(x[,1])#转化为因子型 x=x[,-1] g=length(levels(class))#类别数 L=ncol(x)#指标数 nx=nrow(x)#样品数 mu=matrix(0,nrow=g,ncol=L)#均值 s=list()#协方差 for (i in 1:g) { mu[i,]=colMeans(x[class==i,]) s[[i]]=cov(x[class==i,]) } shf=matrix(0,nrow=L,ncol=L) for (i in 1:length(s)) { n=length(class[class==i]) shf=shf+(n-1)*s[[i]] } sh=shf/(nx-g) D=matrix(0,nrow = nx,ncol=g)#马氏平方距离 for (i in 1:g) { for (j in 1:nx) { #D[j,i]=as.matrix(x[j,]-mu[i,])%*%solve(sh)%*%t(x[j,]-mu[i,]) D[j,i]=mahalanobis(as.matrix(x[j,]),mu[i,],sh) } } D x=c(8.06,231.03,14.41,5.72,6.15) x1=c(9.89,409.42,19.47,5.19,10.49) matrix(x,ncol=L) mahalanobis(matrix(x1,ncol=L),mu[1,],sh) #回代估计法 lei=c() for (i in 1:nx) { lei[i]=which.min(D[i,]) } lei for (i in 1:nx) { n[i]=ifelse(class[i]==lei[i],0,1) } p=sum(n)/nx#回代误判率 #交叉确认估计法 y=read.table("D:\\大二下\\多元统计分析\\shuju\\距离判别.txt",header = T) L=ncol(y[,-1])#指标数 nx=nrow(y)#样品数 lei=c() nn=c() for (k in 1:nx) { x=y[-k,] class=factor(x[,1]) g=length(levels(class))#类别数 x=x[,-1] nnx=nx-1 mu=matrix(0,nrow=g,ncol=L)#均值 s=list()#协方差 for (i in 1:g) { mu[i,]=colMeans(x[class==i,]) s[[i]]=cov(x[class==i,]) } shf=matrix(0,nrow=L,ncol=L) for (j in 1:length(s)) { n=length(class[class==j]) shf=shf+(n-1)*s[[j]] } sh=shf/(nnx-g) D=c()#剔除样品的马氏平方距离 for (m in 1:g) { #D[m]=as.matrix(y[k,-1]-mu[m,])%*%solve(sh)%*%t(y[k,-1]-mu[m,]) D[m]=mahalanobis(as.matrix(y[k,-1]),mu[m,],sh) } lei[k]=which.min(D)#剔除样本判断的所属类别 nn[k]=ifelse(y[k,1]==lei[k],0,1)#误判时n为1 } x[which(class!=lei)] p=sum(nn)/nx#交叉确认误判率 nn lei利用此代码实现多个总体的bayes判别(假定各个总体的协方差相等)
时间: 2024-02-29 18:57:07 浏览: 17
这段代码是用 R 语言实现的多元统计分析中的距离判别方法,包括回代估计法和交叉确认估计法。其中使用了马氏平方距离来衡量样本点与各个类别均值之间的距离,进而判断其所属类别。回代估计法是指先用所有样本数据计算出各个类别的均值和协方差矩阵,再将一部分样本数据剔除后用剩余的样本数据再次计算均值和协方差矩阵,最终通过马氏平方距离来判断样本所属类别。交叉确认估计法则是将每个样本依次剔除,用剩余样本重新计算均值和协方差矩阵,再用剔除的样本来验证分类准确性,最终计算误判率。如果假定各个总体的协方差相等,可以使用贝叶斯判别法来进行分类。
相关问题
解释代码:shuju=data_ieee30; pv=find(shuju.bus(:,2)==2); pq=find(shuju.bus(:,2)==1); isb=find(shuju.bus(:,2)==3); %平衡节点 npv=length(pv); npq=length(pq); nb=size(shuju.bus,1); %节点数 mu_P_G=zeros(nb,1); %%节点发电机有功功率 mu_P_G(shuju.gen(:,1))=shuju.gen(:,2)/100; mu_Q_G=zeros(nb,1); %%节点发电机无功功率 mu_Q_G(shuju.gen(:,1))=shuju.gen(:,3)/100; mu_P_L=shuju.bus(:,3)/100; %%节点负荷有功功率 mu_Q_L=shuju.bus(:,4)/100; %%节点负荷无功功率 sigma_P_L=mu_P_L*0.3; sigma_Q_L=mu_Q_L*0.3; mu_P=mu_P_G-mu_P_L; %%节点注入有功 mu_Q=mu_Q_G-mu_Q_L; %%节点注入无功
这段代码是对 IEEE 30 节点系统中的节点数据进行处理,用于后续概率潮流计算中的计算。
首先,使用 data_ieee30 变量读取了 IEEE 30 节点系统的数据,并将其中的平衡节点、发电机节点和负荷节点的编号提取出来,分别存储在 pv、pq 和 isb 变量中。其中,平衡节点的类型为 3,发电机节点的类型为 2,负荷节点的类型为 1。
接下来,通过对 shuju.gen 和 shuju.bus 变量进行索引,将节点的有功功率和无功功率数据提取出来,分别存储在 mu_P_G、mu_Q_G、mu_P_L 和 mu_Q_L 变量中。其中,mu_P_G(shuju.gen(:,1))=shuju.gen(:,2)/100 表示将 shuju.gen 变量中的发电机有功功率数据按节点编号存储在 mu_P_G 中,并将其单位转换为 p.u.;同理,mu_Q_G(shuju.gen(:,1))=shuju.gen(:,3)/100 表示将 shuju.gen 变量中的发电机无功功率数据按节点编号存储在 mu_Q_G 中,并将其单位转换为 p.u.;mu_P_L=shuju.bus(:,3)/100 和 mu_Q_L=shuju.bus(:,4)/100 分别表示将 shuju.bus 变量中的负荷有功功率和负荷无功功率数据按节点编号存储在 mu_P_L 和 mu_Q_L 中,并将其单位转换为 p.u.。此外,sigma_P_L=mu_P_L*0.3 和 sigma_Q_L=mu_Q_L*0.3 分别表示负荷有功功率和负荷无功功率的标准差,其值均为期望值的 30%。
最后,通过将发电机注入的有功功率和无功功率减去负荷的有功功率和无功功率得到节点的注入有功功率和无功功率,分别存储在 mu_P 和 mu_Q 变量中。
x=read.table("D:\\大二下\\多元统计分析\\shuju\\距离判别.txt",header = T) x class=factor(x[,1])#转化为因子型 x=x[,-1] g=length(levels(class))#类别数 L=ncol(x)#指标数 nx=nrow(x)#样品数 mu=matrix(0,nrow=g,ncol=L)#均值 s=list()#协方差 for (i in 1:g) { mu[i,]=colMeans(x[class==i,]) s[[i]]=cov(x[class==i,]) } shf=matrix(0,nrow=L,ncol=L) for (i in 1:length(s)) { n=length(class[class==i]) shf=shf+(n-1)*s[[i]] } sh=shf/(nx-g) D=matrix(0,nrow = nx,ncol=g)#马氏平方距离 for (i in 1:g) { for (j in 1:nx) { #D[j,i]=as.matrix(x[j,]-mu[i,])%*%solve(sh)%*%t(x[j,]-mu[i,]) D[j,i]=mahalanobis(as.matrix(x[j,]),mu[i,],sh) } } D x=c(8.06,231.03,14.41,5.72,6.15) x1=c(9.89,409.42,19.47,5.19,10.49) matrix(x,ncol=L) mahalanobis(matrix(x1,ncol=L),mu[1,],sh) #回代估计法 lei=c() for (i in 1:nx) { lei[i]=which.min(D[i,]) } lei for (i in 1:nx) { n[i]=ifelse(class[i]==lei[i],0,1) } p=sum(n)/nx#回代误判率 #交叉确认估计法 y=read.table("D:\\大二下\\多元统计分析\\shuju\\距离判别.txt",header = T) L=ncol(y[,-1])#指标数 nx=nrow(y)#样品数 lei=c() nn=c() for (k in 1:nx) { x=y[-k,] class=factor(x[,1]) g=length(levels(class))#类别数 x=x[,-1] nnx=nx-1 mu=matrix(0,nrow=g,ncol=L)#均值 s=list()#协方差 for (i in 1:g) { mu[i,]=colMeans(x[class==i,]) s[[i]]=cov(x[class==i,]) } shf=matrix(0,nrow=L,ncol=L) for (j in 1:length(s)) { n=length(class[class==j]) shf=shf+(n-1)*s[[j]] } sh=shf/(nnx-g) D=c()#剔除样品的马氏平方距离 for (m in 1:g) { #D[m]=as.matrix(y[k,-1]-mu[m,])%*%solve(sh)%*%t(y[k,-1]-mu[m,]) D[m]=mahalanobis(as.matrix(y[k,-1]),mu[m,],sh) } lei[k]=which.min(D)#剔除样本判断的所属类别 nn[k]=ifelse(y[k,1]==lei[k],0,1)#误判时n为1 } x[which(class!=lei)] p=sum(nn)/nx#交叉确认误判率 nn lei.如果假定各个总体的协方差不相等,又该如何修改距离判别的代码?
如果假定各个总体的协方差不相等,则需要使用不同的协方差矩阵进行判别。具体修改如下:
1. 计算每个类别的协方差矩阵,不再使用总体协方差矩阵。
2. 在计算马氏距离时,代入各自的协方差矩阵进行计算。
下面是修改后的代码:
```R
x=read.table("D:\\大二下\\多元统计分析\\shuju\\距离判别.txt",header = T)
x class=factor(x[,1])#转化为因子型
x=x[,-1]
g=length(levels(class))#类别数
L=ncol(x)#指标数
nx=nrow(x)#样品数
mu=matrix(0,nrow=g,ncol=L)#均值
s=list()#协方差
for (i in 1:g) {
mu[i,]=colMeans(x[class==i,])
s[[i]]=cov(x[class==i,])
}
lei = c()
D=matrix(0,nrow = nx,ncol=g)#马氏平方距离
for (i in 1:g) {
for (j in 1:nx) {
D[j,i]=mahalanobis(as.matrix(x[j,]),mu[i,],s[[i]])
}
}
x=c(8.06,231.03,14.41,5.72,6.15)
x1=c(9.89,409.42,19.47,5.19,10.49)
matrix(x,ncol=L)
mahalanobis(matrix(x1,ncol=L),mu[1,],s[[1]]) #回代估计法
lei=c()
for (i in 1:nx) {
lei[i]=which.min(D[i,])
}
lei
for (i in 1:nx) {
n[i]=ifelse(class[i]==lei[i],0,1)
}
p=sum(n)/nx#回代误判率
#交叉确认估计法
y=read.table("D:\\大二下\\多元统计分析\\shuju\\距离判别.txt",header = T)
L=ncol(y[,-1])#指标数
nx=nrow(y)#样品数
lei=c()
nn=c()
for (k in 1:nx) {
x=y[-k,]
class=factor(x[,1])
g=length(levels(class))#类别数
x=x[,-1]
nnx=nx-1
mu=matrix(0,nrow=g,ncol=L)#均值
s=list()#协方差
for (i in 1:g) {
mu[i,]=colMeans(x[class==i,])
s[[i]]=cov(x[class==i,])
}
D=c()#剔除样品的马氏平方距离
for (m in 1:g) {
D[m]=mahalanobis(as.matrix(y[k,-1]),mu[m,],s[[m]])
}
lei[k]=which.min(D)#剔除样本判断的所属类别
nn[k]=ifelse(y[k,1]==lei[k],0,1)#误判时n为1
}
p=sum(nn)/nx#交叉确认误判率
```
需要注意的是,当协方差不相同时,每个类别的协方差矩阵都是不同的,需要分别计算。在代码中,我使用`s[[i]]=cov(x[class==i,])`计算了每个类别的协方差矩阵,然后在计算马氏距离时,代入`s[[i]]`即可。
相关推荐
![docx](https://img-home.csdnimg.cn/images/20210720083331.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)