R语言 PCA

最新推荐文章于 2024-07-16 20:08:03 发布
最新推荐文章于 2024-07-16 20:08:03 发布
阅读量2.2k 收藏 13
点赞数
文章标签： r语言 pca降维
原文链接：https://www.cnblogs.com/longzhongren/p/4300593.html
版权

转载地址：https://www.cnblogs.com/longzhongren/p/4300593.html

R语言 PCA
1、关键点

综述：主成分分析 因子分析 典型相关分析，三种方法的共同点主要是用来对数据降维处理的从数据中提取某些公共部分，然后对这些公共部分进行分析和处理。

#主成分分析 是将多指标化为少数几个综合指标的一种统计分析方法

主成分分析是一种通过降维技术把多个变量化成少数几个主成分的方法，这些主成分能够反映原始变量的大部分信息，他们通常表示为原始变量的线性组合。

2、函数总结

#R中作为主成分分析最主要的函数是princomp()函数
#princomp()主成分分析 可以从相关阵或者从协方差阵做主成分分析
#summary()提取主成分信息
#loadings()显示主成分分析或因子分析中载荷的内容
#predict()预测主成分的值
#screeplot()画出主成分的碎石图
#biplot()画出数据关于主成分的散点图和原坐标在主成分下的方向

3、案例

#现有30名中学生身高、体重、胸围、坐高数据，对身体的四项指标数据做主成分分析。

#1.载入原始数据
test<-data.frame(
X1=c(148, 139, 160, 149, 159, 142, 153, 150, 151, 139,
140, 161, 158, 140, 137, 152, 149, 145, 160, 156,
151, 147, 157, 147, 157, 151, 144, 141, 139, 148),
X2=c(41, 34, 49, 36, 45, 31, 43, 43, 42, 31,
29, 47, 49, 33, 31, 35, 47, 35, 47, 44,
42, 38, 39, 30, 48, 36, 36, 30, 32, 38),
X3=c(72, 71, 77, 67, 80, 66, 76, 77, 77, 68,
64, 78, 78, 67, 66, 73, 82, 70, 74, 78,
73, 73, 68, 65, 80, 74, 68, 67, 68, 70),
X4=c(78, 76, 86, 79, 86, 76, 83, 79, 80, 74,
74, 84, 83, 77, 73, 79, 79, 77, 87, 85,
82, 78, 80, 75, 88, 80, 76, 76, 73, 78)
)

#2.作主成分分析并显示分析结果
test.pr<-princomp(test,cor=TRUE) #cor是逻辑变量当cor=TRUE表示用样本的相关矩阵R做主成分分析

                                                                                当cor=FALSE表示用样本的协方差阵S做主成分分析

summary(test.pr,loadings=TRUE) #loading是逻辑变量当loading=TRUE时表示显示loading 的内容

                                                     #loadings的输出结果为载荷是主成分对应于原始变量的系数即Q矩阵

分析结果含义
#----Standard deviation 标准差 其平方为方差=特征值
#----Proportion of Variance 方差贡献率
#----Cumulative Proportion 方差累计贡献率

#由结果显示 前两个主成分的累计贡献率已经达到96% 可以舍去另外两个主成分 达到降维的目的

因此可以得到函数表达式 Z1=-0.497X’1-0.515X’2-0.481X’3-0.507X’4

                                   Z2=  0.543X'1-0.210X'2-0.725X'3-0.368X'4

#4.画主成分的碎石图并预测

screeplot(test.pr,type=“lines”)

p<-predict(test.pr)

由碎石图可以看出 第二个主成分之后 图线变化趋于平稳 因此可以选择前两个主成分做分析

程序员必读@TOC

欢迎使用Markdown编辑器

你好！ 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Markdown编辑器, 可以仔细阅读这篇文章，了解一下Markdown的基本语法知识。

新的改变

我们对Markdown编辑器进行了一些功能拓展与语法支持，除了标准的Markdown编辑器功能，我们增加了如下几点新功能，帮助你用它写博客：

  1. 全新的界面设计 ，将会带来全新的写作体验；
  2. 在创作中心设置你喜爱的代码高亮样式，Markdown 将代码片显示选择的高亮样式 进行展示；
  3. 增加了 图片拖拽 功能，你可以将本地的图片直接拖拽到编辑区域直接展示；
  4. 全新的 KaTeX数学公式 语法；
  5. 增加了支持甘特图的mermaid语法1 功能；
  6. 增加了 多屏幕编辑 Markdown文章功能；
  7. 增加了 焦点写作模式、预览模式、简洁写作模式、左右区域同步滚轮设置 等功能，功能按钮位于编辑区域与预览区域中间；
  8. 增加了 检查列表 功能。

功能快捷键

撤销：Ctrl/Command + Z
重做：Ctrl/Command + Y
加粗：Ctrl/Command + B
斜体：Ctrl/Command + I
标题：Ctrl/Command + Shift + H
无序列表：Ctrl/Command + Shift + U
有序列表：Ctrl/Command + Shift + O
检查列表：Ctrl/Command + Shift + C
插入代码：Ctrl/Command + Shift + K
插入链接：Ctrl/Command + Shift + L
插入图片：Ctrl/Command + Shift + G
查找：Ctrl/Command + F
替换：Ctrl/Command + G

合理的创建标题，有助于目录的生成

直接输入1次#，并按下space后，将生成1级标题。
输入2次#，并按下space后，将生成2级标题。
以此类推，我们支持6级标题。有助于使用TOC语法后生成一个完美的目录。

如何改变文本的样式

强调文本 强调文本

加粗文本 加粗文本

标记文本

删除文本

引用文本

H2O is是液体。

210 运算结果是 1024.

插入链接与图片

链接: link.

图片: Alt

带尺寸的图片: Alt

居中的图片: Alt

居中并且带尺寸的图片: Alt

当然，我们为了让用户更加便捷，我们增加了图片拖拽功能。

如何插入一段漂亮的代码片

去博客设置页面，选择一款你喜欢的代码片高亮样式，下面展示同样高亮的 代码片.

// An highlighted block
var foo = 'bar';

生成一个适合你的列表

  • 项目
    • 项目
      • 项目
  1. 项目1
  2. 项目2
  3. 项目3
  • 计划任务
  • 完成任务

创建一个表格

一个简单的表格是这么创建的：

项目Value
电脑$1600
手机$12
导管$1

设定内容居中、居左、居右

使用:---------:居中
使用:----------居左
使用----------:居右

第一列第二列第三列
第一列文本居中第二列文本居右第三列文本居左

SmartyPants

SmartyPants将ASCII标点字符转换为“智能”印刷标点HTML实体。例如：

TYPEASCIIHTML
Single backticks'Isn't this fun?'‘Isn’t this fun?’
Quotes"Isn't this fun?"“Isn’t this fun?”
Dashes-- is en-dash, --- is em-dash– is en-dash, — is em-dash

创建一个自定义列表

Markdown
Text-to- HTML conversion tool
Authors
John
Luke

如何创建一个注脚

一个具有注脚的文本。2

注释也是必不可少的

Markdown将文本转换为 HTML。

KaTeX数学公式

您可以使用渲染LaTeX数学表达式 KaTeX:

Gamma公式展示 Γ ( n ) = ( n − 1 ) ! ∀ n ∈ N \Gamma(n) = (n-1)!\quad\forall n\in\mathbb N Γ(n)=(n−1)!∀n∈N 是通过欧拉积分

Γ ( z ) = ∫ 0 ∞ t z − 1 e − t d t   . \Gamma(z) = \int_0^\infty t^{z-1}e^{-t}dt\,. Γ(z)=∫0∞​tz−1e−tdt.

你可以找到更多关于的信息 LaTeX 数学表达式here.

新的甘特图功能，丰富你的文章

Mon 06 Mon 13 Mon 20 已完成 进行中 计划一 计划二 现有任务 Adding GANTT diagram functionality to mermaid
  • 关于 甘特图 语法，参考 这儿,

UML 图表

可以使用UML图表进行渲染。 Mermaid. 例如下面产生的一个序列图：

张三 李四 王五 你好！李四, 最近怎么样? 你最近怎么样，王五？ 我很好，谢谢! 我很好，谢谢! 李四想了很长时间, 文字太长了 不适合放在一行. 打量着王五... 很好... 王五, 你怎么样? 张三 李四 王五

这将产生一个流程图。:

链接
长方形
圆
圆角长方形
菱形
  • 关于 Mermaid 语法，参考 这儿,

FLowchart流程图

我们依旧会支持flowchart的流程图：

Created with Raphaël 2.2.0 开始 我的操作 确认？ 结束 yes no
  • 关于 Flowchart流程图 语法，参考 这儿.

导出与导入

导出

如果你想尝试使用此编辑器, 你可以在此篇文章任意编辑。当你完成了一篇文章的写作, 在上方工具栏找到 文章导出 ，生成一个.md文件或者.html文件进行本地保存。

导入

如果你想加载一篇你写过的.md文件，在上方工具栏可以选择导入功能进行对应扩展名的文件导入，
继续你的创作。

  1. mermaid语法说明 ↩︎

  2. 注脚的解释 ↩︎

wudigule
关注
R语言如何实现主成分分析（PCA），最全详细教材
从事脑科学核磁共振方法学研究，在Nature communications等权威期刊发表研究论文，熟练掌握磁共振处理方法和统计学方法，欢迎大家和我交流。
04-05 4万+
R语言也有“一步到位”的函数，如prcomp()和princomp()，基本上都是输入数据直接出结果。为了理解PCA的原理，我们利用自编函数的方法进行学习。 主成分分析详解主成分分析过程分解1.数据标准化2.计算相关系数（协方差）矩阵3.求解特征值和相应的特征向量4.计算主成分得分5.绘制主成分散点图6 自编函数实现PCA总代码使用现成函数完成主成分分析1.prcomp()函数2.princomp()函数3.PCA结果可视化 主成分分析过程分解 1.数据标准化 为了统一数据的量纲并对数据进行中心化，在主成
R语言实现聚类分析、PCA实现与应用
03-20
利用R语言编写的聚类分析、PCA算法的实现以及应用，用于生物信息学领域的数据分析，有助于R语言与生物信息数据处理的入门有帮助！包含数据集（.txt）
[R语言] R语言PCA分析教程 Principal Component Methods in R
热门推荐
You and Me
07-31 6万+
R语言PCA分析教程 Principal Component Methods in R 主成分分析Principal Component Methods（PCA）允许我们总结和可视化包含由多个相互关联的定量变量描述的个体/观察的数据集中的信息。每个变量都可以视为不同的维度。如果数据集中包含3个以上的变量，那么可视化多维超空间可能非常困难。 主成分分析用于从多变量数据表中提取重要信息，并将此信息表示...
R绘制降维图及其变换（PCA/RDA/t-SNE...）
Asa12138的博客
07-16 991
Ordination analysis（排序分析）是生态学和统计学领域中用于分析和解释多变量数据的方法之一。这个方法通常被用于探索和可视化生态学或生物学数据中的pattern，尤其是在物种组成和环境因素之间的关系方面。
菜鸟学R语言（PCA）
weixin_45331620的博客
06-17 1万+
主成分分析（PCA） 理论介绍 PCA的全拼是Principal Component Analysis，翻译成中文就是主成分分析。在探索性数据分析中应用广泛，能更好地可视化在具有许多变量的数据集中出现的变化。这在“宽”数据集的情况下特别有用，在这种情况下，每个样本有许多变量。主成分分析的目的是在于降维，其结果是把多个指标归约为少数的几个指标，这少数的几个指标的表现形式一般为原来指标体系中的某几个指标线性组合。 个人认为，主成分分析就是通过降维来预测和寻找关键因子。 那什么情况下可以用主成分分析呢？话说这
R语言PCA分析
GeekFocus
07-06 1万+
princomp，prcomp及rda R中输入数据类型有两类，R mode和Q mode。一般来说数据每一列为一个变量（variable），每一行为一个数据（observation）。其中R mode的数据行数大于列数，是基于变量的分析；Q mode数据列数大于行数，是基于数据的分析。 Princomp和prcomp都是R自带的stats包中的函数。Princomp只能用于R mode，它基于协方差(covariance) 或者相关矩阵(correlation) 提取的特征(eigen)并进行特征值分解
R语言中主成分分析概念与操作（PCA）
nikang3148的博客
06-17 4467
得分可分为主成分得分与因子得分，因子得分数值上等于主成分得分除以特征值的平方根，相当于标准化的主成分得分。从列上看，各变量对同一主成分的载荷的平方和等于其特征值（主成分的方差），理解为各变量对该主成分的贡献。特征值的平方根表示的是主成分得分的标准偏差（standard deviation）,即。一般定义为原始变量与主成分得分之间的相关系数，等于特征向量乘以特征值的平方根。特征向量是主成分对于原始变量的线性转换系数矩阵（主成分得分系数）。），理解为各主成分对该变量方差的解释度，其和值为1（变量的方差）。
R包vegan的群落PCA分析_vegan_生物群落多样性与环境因子主成分分析_环境因子pca_
10-03
R语言中的vegan包提供了强大的生态统计功能，包括PCA在内的多种多维尺度分析方法。 1. vegan包简介： vegan包是R语言中一个专门用于生态学数据分析的库，包含了丰富的生态学模型和统计方法。它支持多样性的计算、...
R语言PCA（图像压缩）
05-05
### R语言PCA（图像压缩） #### PCA概述 PCA（Principal Component Analysis，主成分分析）是一种常用的统计方法，用于简化复杂的多变量数据集。通过转换原始数据到一组新的、正交的坐标系统，PCA能有效地去除数据...
8. R语言ggplot2-主成分分析PCA加置信圈.pdf
11-10
"R语言ggplot2-主成分分析PCA加置信圈" R语言ggplot2是数据可视化领域中的常用工具，ggplot2提供了丰富的数据可视化功能，可以应用于多种数据分析领域。主成分分析（Principal Component Analysis，PCA）是数据降维...
利用R内置函数计算pca
09-26
PCA分析，R包，利用R内置函数，计算pc1和pc2，后进行pca可视化
【PCA】主成分分析算法R语言实现
m0_69310669的博客
11-23 1945
主成分分析（Principal Component Analysis，PCA）是一种降维算法，它能将多个指标转换为少数几个主成分，这些主成分是原始变量的线性组合，且彼此之间互不相关，其能反映出原始数据的大部分信息。一般来说，当研究的问题涉及到多变量且变量之间存在很强的相关性时，我们可考虑使用主成分分析的方法来对数据进行简化。降维是将高维度的数据（指标太多）保留下最重要的一些特征，去除噪声和不重要的特征，从而实现提升数据处理速度的目的。
R语言中的PCA实战代码
Ron_Lee_sdj的博客
06-28 1万+
主成分分析（PCA）和t-SNE，MDS等算法都是数据科学中使用最多的降维算法，也有使用lasso进行降维。本章使用R语言将pca进行演习，具体理论大家查找相关资料即可。R语言中使用最多的函数是princomp，位于R自带的stats数据包中，主要参数如下：x，传入的数据矩阵或者数据框cor，判断使用相关系数还是协方差矩阵进行计算scale，是否进行标准化处理当然还有prcomp函数可选，参数基本...
使用R语言进行简单的主成分分析（PCA）
m0_62110645的博客
04-25 1679
使用R语言进行PCA是一个直观且有效的方法来降低数据维度并探索数据结构。通过上述步骤，我们可以不仅看到数据在主成分上的投影，而且可以量化每个主成分的重要性。PCA在许多领域都有广泛的应用，包括基因组学、金融和市场研究等，它是任何数据科学家工具箱中的重要工具之一。
初识R语言——PCA的实现
Cerisier的博客
10-22 1万+
初识R语言 —— PCA的实现回顾PCA在之前的文章（老妪能解PCA）中曾经写过一些自己的PCA的看法，今天尝试用R语言来进行PCA的实现。回顾一下什么是PCA，总结来说就是基于对各个特征之间相关性的分析，从而找到主要成分并选取一定个数的特征向量作为新的基，从而得到样本在以新的基所构成的空间中的映射作为新的样本值，也就达到了降维的目的。数据描述这次数据使用的是真实数据，数据的描述如下： Huma
主成分分析(PCA)及其可视化的基础指南
weixin_45822007的博客
05-07 6842
主成分分析(PCA)及其可视化的基础指南后台很多同学私信想学习一下主成分分析(PCA),今天就简单写一下。之后有看到文章再实战复现。主成分分析（PCA）是一种将数据降维技巧，它将大量相关变...
R语言 pca相关函数
songying2012的专栏
02-24 2991
一个程序： require(graphics) pr #pr pr$sdev  #特征值 pr$rotation  #对应特征向量
R语言 PCA图 案例
最新发布
09-11
R语言中的PCA（主成分分析）是一种常用的数据降维技术，常用于探索数据集的主要特征和变量间的关联。下面是一个简单的案例说明： 假设我们有一个包含身高、体重和年龄等特征的学生数据集，我们想通过PCA了解哪些因素对学生的身体状况影响最大。 ```R # 首先加载必要的库 library(ggplot2) # 数据可视化 library(prcomp) # 主成分分析 # 假设数据在data_student中，包含三个连续变量 data_student <- data.frame(Height = c(170, 180, 165, ..., 190), Weight = c(60, 80, 55, ..., 90), Age = c(20, 25, 18, ..., 27)) # 对数据进行中心化处理（减去均值并除以标准差） scaled_data <- scale(data_student) # 进行主成分分析 pca_results <- prcomp(scaled_data, center = TRUE, scale. = TRUE) # 提取主成分和得分矩阵 principal_components <- pca_results$x # 绘制散点图，显示第一两个主成分 ggplot() + geom_point(aes(x = PC1, y = PC2, color = Age)) + # 使用PC1和PC2作为坐标轴 labs(title = "PCA of Student Data", x = "Principal Component 1", y = "Principal Component 2") ``` 在这个案例中，`PC1` 和 `PC2` 分别代表了数据的第一和第二个主成分。颜色表示学生的年龄，可以帮助我们观察年龄是否显著影响前两个主成分的方向。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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