判别准则_判别分析中判断样本归属的规则

判别准则

判别分析中判断样本归属的规则

判别准则是统计学与模式识别领域中，基于多维数据特征判断观测样本所属总体的分类规则。其核心方法包括距离判别法（基于马氏距离构建线性判别函数）、贝叶斯判别准则（权衡后验概率与误判风险）以及Fisher判别法（通过投影最大化类间差异）。

距离判别法

山东理工大学的课程案例中，通过R语言实现矩阵运算与分类验证流程。

贝叶斯判别准则

包含两种核心规则：

1982年杨喜寿指出传统贝叶斯准则对小概率重要母体识别存在缺陷，提出改进准则优化判别规则。

Fisher判别法

通过线性投影将多维数据降至低维空间，使投影后类间差异与类内差异比值最大化。判别函数形式为=a^TX$，其中投影方向$由特征方程^{-1}S_Ba=λa$解出。该方法在2021年中小企业破产预测案例中，通过4个经济指标实现81.6%的分类准确率。

方法实施要点

参考资料

8.1 判别法则(分类).山东理工大学.2024-05-30

最新修订时间：2025-10-17 21:23

条目作者

概述

距离判别法

贝叶斯判别准则

参考资料