統(tǒng)計(jì)建模與r軟件課后答案-資料下載頁
2025-06-20 02:20本頁面
【正文】 應(yīng)該是同一水平。那么A選擇1，C必須選擇2.所以最后的最優(yōu)組合應(yīng)該是A1B1C2即通用夾具，特殊鑄鐵，第八章 xmatrix(c(,,2,5,0,,+ ,,,,+ ,,,10),ncol=2,byrow=T) ggl(2,1,20) (x,g,c(,2)) (x,g,TstX=c(,2)) (x,g,TstX=c(,2),=T) (x[1:10,],x[11:20,],c(,2))得出的結(jié)論都是明天下雨 heart(39。39。,header=T) Gfactor(rep(1:3,c(11,7,5))) (heart,G,=F) (heart,G,=T) (heart,G,p=c(11/23,7/23,5/23),=F) (heart,G,p=c(11/23,7/23,5/23),=T)無論方差相同還是不同，%%方差相同的貝葉斯判別正確率為87%（1） study(39。39。,header=T)X(x1=study$x1,x2=study$x2,x3=study$x3,=study$地區(qū)) ddist(X) hclust(d,method=39。plete39。) hclust(d,method=39。average39。) hclust(d,method=39。centroid39。) hclust(d,method=39。ward39。) oparpar(mfrow=c(2,2)) plot(,hang=1) rect1(,k=4) plot(,hang=1) rect2(,k=4) plot(,hang=1) rect3(,k=4) plot(,hang=1) rect4(,k=4)下面是各種方法分類的結(jié)果 rect1 rect2 rect3 rect4（2） kmkmeans(scale(X),4,nstart=20) sort(km$clust) coreer(39。39。,header=T)X(x1=coreer$FL,x2=coreer$APP,x3=coreer$AA,x4=coreer$LA,+x5=coreer$SC,x6=coreer$LC,x7=coreer$HON,x8=coreer$SMS,x9=coreer$EXP,+ x10=coreer$DRV,x11=coreer$AMB,x12=coreer$GSP,x13=coreer$POT,+ x14=coreer$KJ,x15=coreer$SUIT,=coreer$ID) d(1cor(X)) hc1hclust(d,method=39。plete39。) hc2hclust(d,method=39。average39。) hc3hclust(d,method=39。centroid39。) hc4hclust(d,method=39。ward39。) oparpar(mfrow=c(2,2)) plot(hc1,hang=1) rect1(hc1,5) plot(hc2,hang=1) rect2(hc2,5) plot(hc3,hang=1) rect3(hc3,5) plot(hc4,hang=1) rect4(hc4,5)下面打印出分類的結(jié)果 rect1 rect2 rect3 rect4第九章（1） fac(39。39。,header=T) prinp(fac,cor=T)。 summary()，這牽涉到經(jīng)濟(jì)學(xué)知識(shí)，我不懂。（2） apply(pre,2,order)我們利用以上代碼看每個(gè)行業(yè)在各個(gè)主成分的排序，是從小到大排列的。下面我們只保留前四個(gè)主成分，來對(duì)這13個(gè)行業(yè)進(jìn)行分類，即聚類分析。首先我們采用動(dòng)態(tài)聚類方法，如下 precpre[,1:4] precc(x1=prec[,1],x2=prec[,2],x3=prec[,3],+ x4=prec[,4],=c(39。冶金39。,39。電力39。,39。煤炭39。,39。化學(xué)39。,39。機(jī)械39。,+ 39。建材39。,39。森工39。,39。食品39。,39。紡織39。,39?？p紉39。,39。皮革39。,39。造紙39。,39。文教用品39。)) kmkmeans(scale(precc),5) sort(km$cluster)然后我們也可以使用系統(tǒng)聚類法，如下 ddist(scale(precc)) hchclust(d) plot(hc,hang=1) rect(hc,k=5) rect(hc,k=5) rect 打印出類別結(jié)果，便于查看。 exp(x1=c(,88,131,+ ),x2=c(92,93,96,94,100,101,105,112,112,112),x3=c(,29,+ 34,40,44,49,51,53),x4=c(94,96,97,97,100,101,104,109,111,111),y=c(,+ ,,)) prinp(~x1+x2+x3+x4,data=exp,cor=T) summary()。故可以用主成分回歸來處理。前兩個(gè)主成分的累積貢獻(xiàn)率已經(jīng)達(dá)到99%。因此我們用前兩個(gè)主成分來實(shí)現(xiàn)數(shù)據(jù)降維的目的。 prpredict() exp$z1pr[,1] exp$z2pr[,2] lm(y~z1+z2,data=exp) summary()最后的回歸方程不再列出。 xc(1,,,1,+ ,,1,,+ ,1,,+ ,1,,,1,+ ,,1,,+ ,1) namesc(39。身高39。,39。手臂長39。,39。上肢長39。,39。下肢長39。,39。體重39。,39。頸圍39。,39。胸圍39。,39。胸寬39。) rmatrix(x,nrow=8,dimnames=list(names,names)) facfactanal(factors=2,covmat=r) fac從結(jié)果中我們可以看出，第一個(gè)因子主要與身高，手臂長，上肢長，下肢長有關(guān)，第二個(gè)因子主要與體重，頸圍，胸圍有光。因此第一個(gè)因子可以叫做體長因子，第二個(gè)可以叫做身寬因子。（1） X(X1=c(99,99,100,93,100,90,75,93,87,95,76,85),+ X2=c(94,88,98,88,91,78,73,84,73,82,72,75),+ X3=c(93,96,81,88,72,82,88,83,60,90,43,50),+ X4=c(100,97,100,96,78,97,89,88,84,39,78,37)) X$X5c(100,99,96,99,96,75,97,68,76,62,67,34) fafactanal(X,factors=2) fa我們分析出兩個(gè)因子，可以看到第一個(gè)因子與前面變量關(guān)系更大，可稱為文科因子，第二個(gè)因子與后面的變量相關(guān)，可以稱之為理科因子。（2） fafactanal(X,factors=2,scores=39。Bartlett39。) plot(fa$scores[,1:2],type=39。n39。) text(fa$scores[,1],fa$scores[,2])從圖上直觀看出，第7位同學(xué)文科強(qiáng)而理科弱，第8,10位同學(xué)理科強(qiáng)而文科弱。第1,2,3,5同學(xué)文理科都很好。 kid(39。39。,header=T) kidcscale(kid) cancor(kidc[,1:3],kidc[,4:6]) source(E:\\Documents\\R\\自編函數(shù)\\) ($cor,40,p=3,q=3)[1] 2由此可見，我們應(yīng)該從前兩對(duì)典型相關(guān)變量里來對(duì)數(shù)據(jù)進(jìn)行分析。另外，我們還可以看看那每對(duì)典型變量的散點(diǎn)圖。 U(kidc[,1:3])%*%$xcoef V(kidc[,4:6])%*%$ycoef oparpar(mfrow=c(3,1)) plot(U[,1],V[,1],xlab=39。U139。,ylab=39。V139。) plot(U[,2],V[,2],xlab=39。U239。,ylab=39。V239。) plot(U[,3],V[,3],xlab=39。U339。,ylab=39。V339。)
公司管理相關(guān)推薦
鄂ICP備17016276號(hào)-1