主成分分析法

标签：主成分分析 方差 数据集 xi 杂谈

分类：学习札记

主成分分析也称 主分量分析，旨在利用降维的思想，把多 指标转化为少数几个综合指标。

　　在统计学中，主成分分析（principal components analysis,PCA）是一种简化数据集的技术。它是一个线性变换。这个变换把数据变换到一个新的坐标系统中，使得任何数据投影的第一大方差在第一个坐标(称为第一主成分)上，第二大方差在第二个坐标(第二主成分)上，依次类推。主成分分析经常用减少数据集的维数，同时保持数据集的对方差贡献最大的特征。这是通过保留低阶主成分，忽略高阶主成分做到的。这样低阶成分往往能够保留住数据的最重要方面。但是，这也不是一定的，要视具体应用而定。

分析步骤：

 1、原始指标数据的标准化采集p 维随机向量x = (x₁,X₂,...,X_p)^T)n 个样品x_i = (x_i1,x_i2,...,x_ip)^T ，i=1,2,…,n，

　　n＞p，构造样本阵，对样本阵元进行如下标准化变换：

　　

　　其中，得标准化阵Z。

　　2、对标准化阵Z 求相关系数矩阵

　　

　　其中, 。

　　3、解样本相关矩阵R 的特征方程得p 个特征根,确定主成分

　　按 确定m 值，使信息的利用率达85%以上，对每个λ_j, j=1,2,...,m, 解方程组Rb = λ_jb得单位特征向量 。

　　4、将标准化后的指标变量转换为主成分

　　

　　U₁称为第一主成分,U₂ 称为第二主成分,…,U_p 称为第p 主成分。

　　5 、对m 个主成分进行综合评价

　　对m 个主成分进行加权求和，即得最终评价值，权数为每个主成分的方差贡献率。