两类判别 Z=-0.070X1+0.225X2-0318X3 Z A=1.428ZB=-1722Z总=-0.004 ZA +ZB C 2=-0.147(判别界值) Z;>Zc判为A类 Z;<Zc判为B类 Z;=Zc判为任意一类
两类判别 Z 1.428 Z 1.722 Z 0.004 Z 0.070X 0.225X 0.318X A B 1 2 3 总 判为任意一类 判为 类 判为 类 Z Z Z Z B Z Z A i C i C i C 0.14（7 判别界值） 2 Z Z Z A B C
表18-122例患者三项指标观察结界 两类判别 Fisher 类别编号 观察值 XI X3 判别结果 3107 020 2 178 9 23456789m12 0 28 98 AAAAA=BBBBBBBBBB 4 16 7 8 9 05995009278709792 289523392832 212 181 3 9 2 51629 -0 75 222 1.33 20 0 2 12 260 133300 3 AAABAAAAAABABABBBBBBAB -0 0 84
表 18–1 22 例患者三项指标观察结果 类 别 编 号 观 察 值 X1 X2 X3 Z Fisher 判别结果 A 1 23 8 0 0.19 A A 2 -1 9 -2 2.73 A A 3 -10 5 0 1.83 A A 4 -7 -2 1 -0.28 B A 5 -11 3 -4 2.72 A A 6 -10 3 -1 1.69 A A 7 25 9 -2 0.91 A A 8 -19 12 -3 4.98 A A 9 9 8 -2 1.81 A A 10 -25 -3 -1 1.39 A A 11 0 -2 2 -1.09 B A 12 -10 -2 0 0.25 A B 13 9 -5 1 -2.07 B B 14 2 -1 -1 -0.05 A B 15 17 -6 -1 -2.22 B B 16 8 -2 1 -1.33 B B 17 17 -9 1 -3.53 B B 18 0 -11 3 -3.43 B B 19 -9 -20 3 -4.82 B B 20 -7 -2 3 -0.91 B B 21 -9 6 0 1.98 A B 22 12 0 0 -0.84 B 两类判别
判别效果评价 误判概率:P=P(AB)+P(B|A) 回顾性(夸大判别效果) 用建立判别函数的样本回代判别,4/22=18.2% 前瞻性(比较客观,未充分利用样本信息) 样本量的85%作为训练样本,15%作为验证样本
判别效果评价 回顾性（夸大判别效果） 用建立判别函数的样本回代判别，4 / 22=18.2% 前瞻性（比较客观，未充分利用样本信息） 样本量的85%作为训练样本，15%作为验证样本。 误判概率: P=P(A|B)+P(B|A)
判别效果评价 Jackknife method cross validation method (比较客观,充分利用样本信息) 1.顺序剔除一个样品,用余下N-1个样品建立判 别函数; 2用判别函数判别剔除的样品; 3重复上两步N次。 6/22=27.3
判别效果评价 Jackknife method；cross validation method （比较客观，充分利用样本信息） 1.顺序剔除一个样品，用余下N-1个样品建立判 别函数； 2.用判别函数判别剔除的样品； 3.重复上两步N次。 6/22=27.3%
多类判别 多类 Fisher准则判别理论完备,但判别规 则相对复杂,很少付诸应用。 两类 Fisher准则判别方法用于多类判别: 原始资料合并 两类判别〔A ABCD 两类判别 B 重新分类 两类判别(C D
多类判别 多类Fisher准则判别理论完备，但判别规 则相对复杂，很少付诸应用。 两类Fisher准则判别方法用于多类判别： 原始资料合并 A B C D A ● B C D ● ● ● 两类判别 两类判别 重新分类 两类判别