上一篇【数学建模 matlab 实验报告11】拟合目录实验报告实验心得实验报告代码[data, txt] xlsread(第13次-聚类分析和判别分析.xlsx); cityNames txt(2:end, 1); data zscore(data); Y_euclidean pdist(data, euclidean); Z_euclidean linkage(Y_euclidean, ward); figure; dendrogram(Z_euclidean, Orientation, top, Labels, cityNames); title(Top-oriented Dendrogram with Euclidean Distance); figure; dendrogram(Z_euclidean, Orientation, left, Labels, cityNames); title(Left-oriented Dendrogram with Euclidean Distance); cluster2_euclidean cluster(Z_euclidean, maxclust, 2); cluster3_euclidean cluster(Z_euclidean, maxclust, 3); disp(聚为2类的结果); disp(array2table(cluster2_euclidean, RowNames, cityNames)); disp(聚为3类的结果); disp(array2table(cluster3_euclidean, RowNames, cityNames));截图代码X [23 1 7 2 31 6.60 0.34 1.71; 34 1 17 3 59 8.00 1.81 2.91; 42 2 7 23 41 4.60 0.94 0.94; 39 1 19 5 48 13.10 1.93 4.36; 35 1 9 1 34 5.00 0.40 1.30; 37 1 1 3 24 15.10 1.80 1.82; 29 1 13 1 42 7.40 1.46 1.65; 32 2 11 6 75 23.30 7.76 9.72; 28 2 2 3 23 6.40 0.19 1.29; 26 1 4 3 27 10.50 2.47 0.36]; Y [1; 1; 1; 1; 1; -1; -1; -1; -1; -1]; new_customer [53 1 9 18 50 11.20 2.02 3.58]; mu1 mean(X(Y1, :)); mu2 mean(X(Y-1, :)); sigma1 cov(X(Y1, :)); sigma2 cov(X(Y-1, :)); d1 (new_customer - mu1) / sigma1 * (new_customer - mu1); d2 (new_customer - mu2) / sigma2 * (new_customer - mu2); if d1 d2 disp(根据马氏距离客户信用好); else disp(根据马氏距离客户信用不好); end mdl fitcdiscr(X, Y, DiscrimType, linear); label_linear predict(mdl, new_customer); if label_linear 1 disp(根据线性判别客户信用好); else disp(根据线性判别客户信用不好); end try mdl2 fitcdiscr(X, Y, DiscrimType, quadratic, Gamma, 0.5); label_quadratic predict(mdl2, new_customer); if label_quadratic 1 disp(根据二次判别客户信用好); else disp(根据二次判别客户信用不好); end catch ME disp(二次判别分析失败); disp(ME.message); end3、选做题利用k均值kmeans聚类方法完成第1题的聚类任务。截图代码[data, txt] xlsread(第13次-聚类分析和判别分析.xlsx); cityNames txt(2:end, 1); data zscore(data); Y_euclidean pdist(data, euclidean); Z_euclidean linkage(Y_euclidean, ward); cluster2_euclidean cluster(Z_euclidean, maxclust, 2); cluster3_euclidean cluster(Z_euclidean, maxclust, 3); disp(聚为2类的结果); disp(array2table(cluster2_euclidean, RowNames, cityNames)); disp(聚为3类的结果); disp(array2table(cluster3_euclidean, RowNames, cityNames)); idx2 kmeans(data, 2); idx3 kmeans(data, 3); disp(k均值聚为2类的结果); disp(array2table(idx2, RowNames, cityNames)); disp(k均值聚为3类的结果); disp(array2table(idx3, RowNames, cityNames));4、选做题请利用Matlab自带的鸢尾花数据集完成以下任务1导入数据以下2种方法均可1.1load fisheriris1.2[X,T] iris_dataset2将每类鸢尾花的数据按8:2随机划分为训练集和测试集3利用线性判别法对测试集中的样本进行预测并计算预测的准确率4利用朴素贝叶斯分类算法对测试集中的样本进行预测并计算预测的准确率5利用k近邻算法对测试集中的样本进行预测并计算预测的准确率。截图代码load fisheriris [trainInd, testInd] crossvalind(HoldOut, species, 0.2); X_train meas(trainInd, :); y_train species(trainInd); X_test meas(testInd, :); y_test species(testInd); ldaModel fitcdiscr(X_train, y_train); ldaPred predict(ldaModel, X_test); ldaAccuracy sum(strcmp(ldaPred, y_test)) / length(y_test); fprintf(LDA Accuracy: %.2f%%\n, ldaAccuracy * 100); nbModel fitcnb(X_train, y_train); nbPred predict(nbModel, X_test); nbAccuracy sum(strcmp(nbPred, y_test)) / length(y_test); fprintf(Naive Bayes Accuracy: %.2f%%\n, nbAccuracy * 100); knnModel fitcknn(X_train, y_train, NumNeighbors, 5); knnPred predict(knnModel, X_test); knnAccuracy sum(strcmp(knnPred, y_test)) / length(y_test); fprintf(KNN Accuracy: %.2f%%\n, knnAccuracy * 100);实验心得通过本次聚类分析和判别分析的 MATLAB 实验我系统掌握了多元统计分析中无监督学习与有监督学习的核心方法深入理解了聚类分析与判别分析的原理、应用场景及实操技巧在数据处理、算法应用和结果分析等方面均收获颇丰对统计分析在经济、金融等实际领域的应用价值有了更深刻的认知。实验第一部分围绕江苏省 13 个地市国民经济数据展开聚类分析让我熟练掌握了层次聚类的完整流程。从使用xlsread函数读取 Excel 数据、提取城市名称标签到利用zscore函数完成数据标准化处理我认识到数据预处理是保证分析结果准确的关键 —— 不同经济指标量纲差异极大不进行标准化会直接导致聚类结果失真。实验中采用欧氏距离衡量样本相似度、内平方距离法Ward 法进行聚类并绘制上下两种方向的谱系图直观呈现了城市间的经济相似性与层级关系。通过对比聚为 2 类和 3 类的结果我清晰看到江苏省各地市经济发展的分层规律发达城市、中等发展城市与发展相对滞后城市的划分符合实际情况深刻理解了层次聚类在区域经济分析、分类评估中的实用价值。选做题中的 K-Means 聚类让我对比了层次聚类与划分式聚类的差异前者适合小样本、可展示层级结构后者运算高效、适合大数据量两种方法的互补性让我对聚类算法的选择有了更清晰的判断。实验第二部分的银行客户信用判别分析是我首次系统学习判别分析这一有监督统计方法。基于客户年龄、收入、债务等多项指标我分别运用马氏距离判别法、线性判别法和二次判别法完成信用好坏的分类预测。实验过程中我掌握了各类判别方法的核心原理马氏距离消除了量纲和指标相关性的影响线性判别假设各类协方差矩阵相同运算简洁二次判别则适用于协方差矩阵不同的场景。通过对新客户信用的判别我切实体会到判别分析在金融风控、信贷审批中的重要作用它能依托历史数据建立判别规则为实际决策提供科学依据有效降低信贷风险。同时我也学会了根据数据特征选择合适的判别方法提升了解决实际分类问题的能力。实验第四部分基于鸢尾花数据集的分类实验进一步巩固了我的分类算法应用能力。通过数据随机划分、线性判别、朴素贝叶斯、K 近邻算法的建模与准确率计算我对比了不同有监督分类算法的性能理解了模型训练、预测与评估的完整流程。鸢尾花数据集作为经典测试数据让我快速掌握了分类算法的实操逻辑也明白了数据集划分、模型评价指标在机器学习中的核心地位。本次实验不仅提升了我的 MATLAB 编程能力让我熟练运用数据读取、标准化、聚类、判别、模型评估等函数更培养了我的统计思维和数据分析逻辑。我认识到聚类分析是探索数据内在结构的工具适用于无标签数据的分类探索判别分析是基于已知标签构建分类规则的工具适用于有监督的预测场景二者相辅相成广泛应用于经济、金融、医学、生物等多个领域。同时我也深刻体会到数据预处理、算法选择、结果验证的重要性任何统计分析都必须立足数据实际结合业务场景解读结果才能发挥其真正价值。此次实验让我夯实了多元统计分析的理论与实操基础提升了解决实际数据分析问题的能力。在今后的学习和工作中我将把本次实验所学的聚类与判别方法灵活运用到更多场景中持续深化对统计分析算法的理解不断提升数据分析与数据挖掘的综合能力用科学的数据分析方法为决策提供支撑。