数学建模 | 您所在的位置:网站首页 › 两个变量相关系数怎么求最大值 › 数学建模 |
主成分分析的基本原理:
一:什么是主成分分析? 主成分分析是分析多个变量之间相关性的一种多元统计方法,研究如何通过少数几个主成分来解释多个变量之间的内部结构,即从原始变量中导出几个主分量,使他们尽可能多的保留原始变量的信息,且彼此间互不相关; 主成分分析的目的:数据的压缩+数据的解释 常被用来寻找判断事物或现象的综合指标,并对综合指标所包含的信息进行适当的解释 主成分分析的基本思想(以两个变量为例): 1:对这两个变量所携带的信息进行浓缩处理 2:假定只有两个变量x1,x2,由散点图可见两个变量存在相关关系(例如这些点都近似存在于y=x这条直线上,x1=x2,这意味着两个变量提供的信息有重叠,如果不加处理,会消耗大量的时间精力处理数据。 3:如果把两个变量用一个变量来表示,同时这一个新的变量又尽可能包含原来的两个变量的信息,这就是降维的过程。 根据初始坐标轴x1x2,可看出所有数据点均可近似的看成存在于y=x的曲线上,现在将坐标轴旋转用于产生新的变量,变换后的坐标轴为y1,y2,此时变量y1,y2间看不到明显的函数关系,同时发现变量y1分布宽度更长,跨度比较大,说明变量y1包含了更大的信息量,且y1数据间变化更大,波动更大,进而方差更大,同时y2分布更窄,即变量y2所携带的信息量更小,对建模的结果的影响微乎其微,例如:通过一个班的考试成绩评估一个学生综合成绩的好坏,语文成绩相差很大且分布在各个阶段,每个人之间的成绩差异很大,重分的很少,而数学成绩全部分布在135左右,且相差不大,重分的人很多,那么你要评价一个学生综合成绩的好坏,不是只需要通过语文成绩的数据就可以分析了吗?,所以对于此例,我仅仅用y1的长轴就可以替换y2) y1与x1,x2的关系 y1=a1x1+a2x2(保留数据) y2=a3x1+a4x2(删除数据) 此时就将原来的x1,x2两个变量替换为y1,实现数据降维 所以主成分分析最关键的是找到旋转坐标轴的参数a1,a2,实现y和x1,x2逻辑关系 基本思想主成分分析就是设法将原来众多具有一定相关性的变量(如p个变量),重新组合成一组新的相互无关的综合变量来代替原变量 通常数学上的处理就是将原来p个变量作线性组合作为新的综合变量 如果将选取的第一个线性组合即第一个综合变量记为F1,自然希望F1尽可能多的反映原来变量的值,如何反映? 最经典的方法就是使用方差来表达,即van(F1)越大,表示F1包含的信息越多,在所有的线性组合中方差最大的称为第一主成分 如果第一主成分不足以代表原来p个变量的信息,在考虑选取F2即第二个线性组合,F2称为第二主成分,那么F1F2间有何关系呢? 为了有效地反映原来的信息,F1已有的信息不要再出现在F2中,即Y1Y2协方差为0,即cov(Y1,Y2)=0,因此这些主成分之间是互不相关的,而且方差依次递减,以此类推可能会得到多个主成分,那么什么时候结束呢? 各主成分的累计方差贡献率>80%或特征根>1 数学模型要从原来的所有变量得到新的综合变量,一种较为简单的方法是做线性变换,使新的综合变量为原变量的线性组合 对于任意常数c,有 var(cF1)= 为了使方差var(F1)可比较,要求线性组合的系数满足规范化体条件 即,线性组合中各变量的前置系数平方和为1 要求原始变量之间存在一定的相关性(相关系数分析:pearson,spearman见我空间) 要求各个综合变量间互不相关,即协方差为0 为了消除变量量纲不同对方差的影响,通常对数据进行标准化处理,变量之间的协方差即为相关系数 能否做主成分分析的两大检验 1:KMO检验结果>0.5 2:Bartlett's检验 |
CopyRight 2018-2019 实验室设备网 版权所有 |