数学建模学习笔记(十三) |
您所在的位置:网站首页 › 协方差矩阵求相关系数矩阵计算题 › 数学建模学习笔记(十三) |
文章目录
一、综述二、主成分分析三、主成分分析的计算步骤(可在Matlab实现)四、对于主成分的解释五、主成分分析的应用
一、综述
主成分分析的本质是降维,她能够将多个指标转换为少数几个主成分。这些主成分之间互不相关,且是原变量的线性组合。通过对主成分的分析便可对原始数据有一个较为准确的把握。 二、主成分分析假设有 n n n 个样本, p p p 个指标,则可构成大小为 n × p n \times p n×p 的样本矩阵 x x x: x = [ x 11 x 12 ⋯ x 1 p x 21 x 22 ⋯ x 2 p ⋮ ⋮ ⋱ ⋮ x n 1 x n 2 ⋯ x n p ] x = \begin{bmatrix} x_{11} & x_{12} & \cdots & x_{1p} \\ x_{21} & x_{22} & \cdots & x_{2p} \\ \vdots & \vdots & \ddots & \vdots \\ x_{n1} & x_{n2} & \cdots & x_{np} \end{bmatrix} x=⎣⎢⎢⎢⎡x11x21⋮xn1x12x22⋮xn2⋯⋯⋱⋯x1px2p⋮xnp⎦⎥⎥⎥⎤ 假设想要找到一组变量 z 1 , z 2 , ⋯ , z m ( m ≤ p ) z_1, z_2, \cdots, z_m (m \leq p) z1,z2,⋯,zm(m≤p),且满足: { z 1 = l 11 x 1 + l 12 x 2 + ⋯ + l 1 p x p z 2 = l 21 x 1 + l 22 x 2 + ⋯ + l 2 p x p ⋮ z m = l m 1 x 1 + l m 2 x 2 + ⋯ + l m p x p \left\{ \begin{aligned} &z_1 = l_{11}x_1 + l_{12}x_2 + \cdots + l_{1p}x_p \\ & z_2 = l_{21}x_1 + l_{22}x_2 + \cdots + l_{2p}x_p \\ \vdots \\ &z_m = l_{m1}x_1 + l_{m2}x_2 + \cdots + l_{mp}x_p \end{aligned} \right. ⎩⎪⎪⎪⎪⎪⎨⎪⎪⎪⎪⎪⎧⋮z1=l11x1+l12x2+⋯+l1pxpz2=l21x1+l22x2+⋯+l2pxpzm=lm1x1+lm2x2+⋯+lmpxp 系数 l i j l_{ij} lij 的确定原则: (1) z i z_i zi 与 z j ( i ≠ j ; i , j = 1 , 2 , ⋯ , m ) z_j(i \neq j; i, j = 1, 2, \cdots, m) zj(i=j;i,j=1,2,⋯,m) 相互无关; (2) z 1 z_1 z1 是 x 1 , x 2 , ⋯ , x p x_1, x_2, \cdots, x_p x1,x2,⋯,xp 的一切线性组合中方差最大者; (3) z 2 z_2 z2 是与 z 1 z_1 z1 不相关的 x 1 , x 2 , ⋯ , x p x_1, x_2, \cdots, x_p x1,x2,⋯,xp 的所有线性组合中方差最大者; (4)以此类推,从而可以确定 l i j l_{ij} lij。 三、主成分分析的计算步骤(可在Matlab实现)对原始数据矩阵进行标准化处理 按列计算均值 x j ˉ = 1 n ∑ i = 1 n x i j \bar{x_j} = \frac{1}{n}\sum_{i = 1}^{n}x_{ij} xjˉ=n1∑i=1nxij 和标准差 S j = ∑ i = 1 n ( x i j − x j ˉ ) 2 n − 1 S_j = \sqrt{\frac{\sum_{i = 1}^{n}(x_{ij} - \bar{x_j})^2}{n - 1}} Sj=n−1∑i=1n(xij−xjˉ)2 ,计算的标准化数据 X i j = x i j − x j ˉ S j X_{ij} = \frac{x_{ij} - \bar{x_j}}{S_j} Xij=Sjxij−xjˉ,从而可以得到原始数据进行标准化后的矩阵: X = [ X 11 X 12 ⋯ X 1 p X 21 X 22 ⋯ X 2 p ⋮ ⋮ ⋱ ⋮ X n 1 X n 2 ⋯ X n p ] X = \begin{bmatrix} X_{11} & X_{12} & \cdots & X_{1p} \\ X_{21} & X_{22} & \cdots & X_{2p} \\ \vdots & \vdots & \ddots & \vdots \\ X_{n1} & X_{n2} & \cdots & X_{np} \end{bmatrix} X=⎣⎢⎢⎢⎡X11X21⋮Xn1X12X22⋮Xn2⋯⋯⋱⋯X1pX2p⋮Xnp⎦⎥⎥⎥⎤ 计算标准样本的协方差矩阵 r i j = 1 n − 1 ∑ i = 1 n ( X k i − X ˉ i ) ( X k j − X ˉ j ) = 1 n − 1 ∑ i = 1 n X k i X k j r_{ij} = \frac{1}{n - 1}\sum_{i = 1}^{n}(X_{ki} - \bar{X}_i)(X_{kj} - \bar{X}_j) = \frac{1}{n - 1}\sum_{i = 1}^{n}X_{ki}X_{kj} rij=n−11i=1∑n(Xki−Xˉi)(Xkj−Xˉj)=n−11i=1∑nXkiXkj 从而可以得到协方差矩阵: R = [ r 11 r 12 ⋯ r 1 p r 21 r 22 ⋯ r 2 p ⋮ ⋮ ⋱ ⋮ r p 1 r p 2 ⋯ r p p ] R = \begin{bmatrix} r_{11} & r_{12} & \cdots & r_{1p} \\ r_{21} & r_{22} & \cdots & r_{2p} \\ \vdots & \vdots & \ddots & \vdots \\ r_{p1} & r_{p2} & \cdots & r_{pp} \end{bmatrix} R=⎣⎢⎢⎢⎡r11r21⋮rp1r12r22⋮rp2⋯⋯⋱⋯r1pr2p⋮rpp⎦⎥⎥⎥⎤ 计算 R R R 的特征值和特征向量 特征值: λ 1 ≥ λ 2 ≥ ⋯ ≥ λ p ≥ 0 \lambda_1 \geq \lambda_2 \geq \cdots \geq \lambda_p \geq 0 λ1≥λ2≥⋯≥λp≥0 特征向量:KaTeX parse error: Undefined control sequence: \cdtos at position 150: …\end{bmatrix}, \̲c̲d̲t̲o̲s̲, a_p = \begin… 计算主成分贡献率以及累计贡献率 贡献率 = λ i ∑ k = 1 p λ k ( i = 1 , 2 , ⋯ , p ) \frac{\lambda_i}{\sum_{k = 1}^{p}\lambda_k} (i = 1, 2, \cdots, p) ∑k=1pλkλi(i=1,2,⋯,p) 累计贡献率 = ∑ k = 1 i λ k ∑ k = 1 p λ k ( i = 1 , 2 , ⋯ , p ) \frac{\sum_{k = 1}^{i}\lambda_k}{\sum_{k = 1}^{p}\lambda_k} (i = 1, 2, \cdots, p) ∑k=1pλk∑k=1iλk(i=1,2,⋯,p) 写出主成分 第 i i i 个主成分: F i = a 1 i X 1 + a 2 i X 2 + ⋯ + a p i X p ( i = 1 , 2 , ⋯ , m ) F_i = a_{1i}X_1 + a_{2i}X_2 + \cdots + a_{pi}X_p (i = 1, 2, \cdots, m) Fi=a1iX1+a2iX2+⋯+apiXp(i=1,2,⋯,m) 根据系数分析主成分代表的意义 对于每个主成分而言,指标前面的系数越大,代表该指标对于主成分的影响越大。注意:对于主成分的解释往往是最困难的一步。 四、对于主成分的解释主成分的解释往往带有一点模糊性,没有原始变量那么清晰透彻,许多人将它称为降维的代价。一旦主成分中某个主成分无法解释,那么整个主成分分析也就失败了。 五、主成分分析的应用主成分聚类 计算出主成分之后,可以将其视为新的指标,然后再SPSS中进行聚类分析。 主成分回归 主成分回归可以用于解决多重共线性的问题。计算出主成分后将其视为自变量,便可以在Stata中进行回归分析。注意进行异方差检验哦~~~ 关于多重共线性下,主成分回归和逐步回归的选取: 如果主成分能够被很好的解释,那么两者都采用(๑•̀ㅂ•́)و✧!如果主成分不能很好的解释,那么建议采用逐步回归。 |
今日新闻 |
点击排行 |
|
推荐新闻 |
图片新闻 |
|
专题文章 |
CopyRight 2018-2019 实验室设备网 版权所有 win10的实时保护怎么永久关闭 |