Многомерный анализ данных методами прикладной статистики

что число функций классификации равно количеству уровней за­ висимой переменной, т.е. в данном случае их три. (2.8) J где /. - г'-я функция классификации; Xj - j-vi эффект плана; - коэффициент /-Й функции классификации при j-м эффекте плана; - свободный член. Если учитывать только главные эффекты (пренебречь взаи­ модействиями), то функция классификации вида (2,8) для уровня good зависимой переменной в нашем случае примет вид (коэффи­ циенты взяты из таблицы на рис. 2.28): ^плохой =-6427005 + 6402 * год выпуска+ +13 * объем видеопамяти +1772 * оперативная память + +919 * цена + 6078 * время работы аккумулятора - -183* размер дисплея. Аналогично записываются функции классификации для ос­ тальных уровней. Затем для каждого конкретного наблюдения, которое должно быть классифицировано, вычисляются все функ­ ции классификации. Наблюдение будет отнесено к тому классу, для которого функция классификации примет наибольшее значение. Посмотрим на матрицу классификации (рис. 2.29), нажав на кнопку Щ Sample classification matrix для выборки из В101адки Cases окна результатов (рис. 2.30). Class Classification Matrix (Spreadsiieet2 in GDA stw) Rows: Obsen/ed classifications Columns: Predicted classifications Percent 1 плохой Correct 1 p=.4QQ0 хорошии в=.35Ш средний р=.2500 плохой хороший средний 1QO,Omo||24,OOOQQ: o.ooooq: 0,oqqoo i]o,oi)m o.mijmi 21,сто •.oqooq юб.ооооН о.аашш о.с100оа i5.qc )ooo Total 10о,оаоо1124,аоаш: 21,00000 15, oqooo Рис. 2.29. Матрица классификации 67