PCA:利用PCA(四个主成分的贡献率就才达100%)降维提高测试集辛烷值含量预测准确度并《测试集辛烷值含量预测结果对比》—Jason niu...

load spectra;   
temp = randperm(size(NIR, 1)); P_train = NIR(temp(1:50),:); T_train = octane(temp(1:50),:); P_test = NIR(temp(51:end),:); T_test = octane(temp(51:end),:); [PCALoadings,PCAScores,PCAVar] = princomp(NIR); figure percent_explained = 100 * PCAVar / sum(PCAVar); pareto(percent_explained) xlabel('主成分') ylabel('贡献率(%)') title('PCA:调用princomp函数实现各个主成分的贡献率—Jason niu') [PCALoadings,PCAScores,PCAVar] = princomp(P_train); figure plot(PCAScores(:,1),PCAScores(:,2),'r+') title('PCA:通过PCA判断样本的测试集是否都在训练范围内—Jason niu') hold on [PCALoadings_test,PCAScores_test,PCAVar_test] = princomp(P_test); plot(PCAScores_test(:,1),PCAScores_test(:,2),'o') xlabel('1st Principal Component') ylabel('2nd Principal Component') legend('Training Set','Testing Set','location','best') k = 4; betaPCR = regress(T_train-mean(T_train),PCAScores(:,1:k)); betaPCR = PCALoadings(:,1:k) * betaPCR; betaPCR = [mean(T_train)-mean(P_train) * betaPCR;betaPCR]; N = size(P_test,1); T_sim = [ones(N,1) P_test] * betaPCR; error = abs(T_sim - T_test) ./ T_test; R2 = (N * sum(T_sim .* T_test) - sum(T_sim) * sum(T_test))^2 / ((N * sum((T_sim).^2) - (sum(T_sim))^2) * (N * sum((T_test).^2) - (sum(T_test))^2)); result = [T_test T_sim error] figure plot(1:N,T_test,'b:*',1:N,T_sim,'r-o') legend('真实值','预测值','location','best') xlabel('预测样本') ylabel('辛烷值') string = {'PCA:利用PCA降维提高《测试集辛烷值含量预测结果对比》的准确度—Jason niu';['R^2=' num2str(R2)]}; title(string)

 

转载于:https://www.cnblogs.com/yunyaniu/p/8503259.html

  • 0
    点赞
  • 6
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值