Многомерный анализ данных методами прикладной статистики

R e g i e s s i o n i e s i d u a l s | M a t r i c e s | R e p o r t | Q t i c k IF u r c t i o n s C a s f | E ( f { « l s { Р г Ы З е г j Г [-чй '• S a m p l e c l a s s i i i c a l i o n m a h i K O f s p J a y p r i o r p t o b ^ i l i t e s C a s e s U l i s l i c s l o c o m p c r t e P S q u a r e d M a h a l a n o t a s d i s t a n c e s P P o s t e f i o f p r o b a b i l i l i e s r ~ C l a s s i f i c a t i o n e P C a n o n i c a l s c o r e s D U p l ^ s j d l i s l i c s S ^ e s t a t i s l i c T * M o r e r e s u l t s M o d i f y j Close I Options Рис. 2.30. Вкладка Cases (наблюдения) Построенная модель правильно определяет экспертную оценку с точ­ ностью до 100 %. Это отличный ре­ зультат, но он завышен, так как клас­ сифицировались те же наблюдения, которые использовались для по­ строения модели. Проведем более точную про­ верку точности классификации, вос­ пользовавшись процедурой кросс- проверки, для чего выведем матрицу классификации для кросс-проверочной выборки (рис. 2.31). Class Classification Matrix (SpreadstieBt2 in G D A stw) Rows: ObsBived classifications Columns: Predicted classifications Percent 1 плохой хороший средний Correct 1 c=,3380 p=.4507 o=.2113 плохой хороший Total 100,0000 96,8750 100,0000 124,00000 0,00000 0,00000 0,00000 31,б0б00 1 , 0 0 0 0 0 I 0,00000 0,00000 15.00000 98,5915 124,00000' 31,00000! 16,00000 Рис. 2.31. Матрица классификации (добавлены данные) Добавим десять наблюдений (рис. 2.32). Точность общей классификации равна 98 %, для хороших 96 %, для плохих 100 %. Как и ожидалось, точность классификации для кросс-проверочной выборки оказалась меньше, чем для выборки, по которой строилась .модель, но эти результаты имеют неболь­ шую точность, так как объем кросс-проверочной выборки был мал (десять наблюдений). 68