主成分分析法（三）：计算步骤

最新推荐文章于 2024-06-20 16:57:49 发布
最新推荐文章于 2024-06-20 16:57:49 发布
阅读量9.3w 收藏 543
点赞数 62
分类专栏： 多元统计分析 matlab数学建模
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_29831163/article/details/88900766
版权

 主成分分析系列：

主成分分析 (一）： 基本思想与主成分估计方法

主成分分析 (二）： 特征值因子的筛选

主成分分析法（三）：计算步骤

 

目录

一：主成分分析简述

二：主成分分析法的步骤 

1）对原始数据进行标准化处理 

2）计算相关系数矩阵R 

3）计算特征值和特征向量 

4）选择 p （ p ≤ m ）个主成分，计算综合评价值 

一：主成分分析简述

主成分分析是多元统计分析中重要的降维与分析评价方法；多元分析（multivariate analyses）是多变量的统计分析方法，是数理统计中应用广泛的一个重要分支。由于变量的相关性，不能简单地把每个变量的结果进行汇总，这是多变量统计分析的基本出发点。 

主成分分析（principal component analysis）是1901年Pearson对非随机变量引 入的，1933年Hotelling将此方法推广到随机向量的情形，主成分分析和聚类分析有很 大的不同，它有严格的数学理论作基础。  

主成分分析的主要目的是希望用较少的变量去解释原来资料中的大部分变异，将我 们手中许多相关性很高的变量转化成彼此相互独立或不相关的变量。通常是选出比原始 变量个数少，能解释大部分资料中的变异的几个新变量，即所谓主成分，并用以解释资 料的综合性指标。由此可见，主成分分析实际上是一种降维方法。 主成分分析试图在力保数据信息丢失少的原则下，对多变量的截面数据表进行最佳综合简化，即对高维变量空间进行降维处理。

二：主成分分析法的步骤 

1）对原始数据进行标准化处理 

           其中 \bar{x_{j}}=\frac{1}{n}\sum_{i=1}^{n}x_{ij},\, \, s_{j}=\sqrt{\frac{1}{n-1}\sum_{i=1}^{n}(x_{ij}-\bar{x_{j}})^{2}},\:(j=1,2,...,m) , 即\bar{x_{j}},\, \, s_{j}分别为第j个指标的样本均值和标准差。

2）计算相关系数矩阵R 

3）计算特征值和特征向量 

   特征值要由大到小排序

4）选择 p （ p ≤ m ）个主成分，计算综合评价值 

h

matlab实现主成分分析的pcacov( )函数

clc,clear 
load gj.txt   %把原始数据保存在纯文本文件gj.txt中 
gj=zscore(gj); %数据标准化 
r=corrcoef(gj);  %计算相关系数矩阵 
[x,y,z]=pcacov(r); 
f=repmat(sign(sum(x)),size(x,1),1); 
x=x.*f; 
df=gj*x(:,1:4) 
tf=df*z(1:4)/100; 
[stf,ind]=sort(tf,'descend')

 

主成分分析系列：

主成分分析 (一）： 基本思想与主成分估计方法

主成分分析 (二）： 特征值因子的筛选

主成分分析法（三）：计算步骤

wamg潇潇
关注
  • 62
    点赞
  • 踩
  • 543
    收藏
    觉得还不错? 一键收藏
  • 8
    评论
专栏目录
主成分分析法（PCA）原理和步骤
吴建明wujianming_110117
01-30 2万+
主成分分析法（PCA）原理和步骤 主成分分析（Principal Component Analysis，PCA）是一种多变量统计方法，它是最常用的降维方法之一，通过正交变换将一组可能存在相关性的变量数据，转换为一组线性不相关的变量，转换后的变量被称为主成分。 可以使用两种方法进行 PCA，分别是特征分解或奇异值分解（SVD）。 准备工作 PCA 将 n 维输入数据缩减为 r 维，其中 r<n。简单地说，PCA 实质上是一个基变换，使得变换后的数据有最大的方差，也就是通过对坐标轴的旋转和坐标原点的平移，
PCA主成分分析（入门计算+深入解析）(一)
云南省高校数据化运营管理工程研究中心的博客
09-27 6万+
PCA主成分分析（入门+深入）+最大方差理论+几何意义 Principal components analysis 转载请注明：云南省高校数据化运营管理工程研究中心博客http://blog.csdn.net/m0_37788308/article/details/78115209   我们在作数据分析处理时，数据往往包含多个变量，而较多的变量会带来分析问题的复杂性。主成分分析（Prin
主成分分析法的原理应用及计算步骤.pdf
12-09
主成分分析法的原理应用及计算步骤.pdf
主成分分析（PCA）
最新发布
nandijimo的博客
06-20 488
主成分分析（PCA）是一种基于统计学的数据分析方法，旨在利用正交变换将原始数据转换为一系列线性不相关的变量，即主成分。这些主成分按照方差大小进行排序，第一主成分具有最大的方差，后续主成分依次递减。通过选择前几个主成分，我们可以在减少数据维度的同时，保留原始数据的主要信息。本次实验旨在通过主成分分析（PCA）方法对一个实际数据集进行降维处理，探索数据的内在结构和特征。主成分分析是一种常用的数据降维技术，它可以将高维数据转化为低维数据，同时保留原始数据的主要信息。
机器学习算法——主成分分析（PCA）
huangQK的博客
01-01 2046
主成分分析（Principal Component Analysis, PCA）是一种常用的数据降维方法，它可以将高维数据转化为低维数据，同时尽量保留原有数据的信息。
“傻瓜”学计量——主成分分析法PCA（原理+实操）
nnpersistent的博客
03-16 1909
“傻瓜”学计量——主成分分析法PCA（原理+实操）
主成分分析（PCA）详解
热门推荐
weixin_60737527的博客
06-06 9万+
主成分分析（PCA）原理与应用
主成分分析法
weixin_51711289的博客
05-08 5万+
定义 主成分分析是一种降维算法，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。 数据降维的作用 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。在实际的生产和应用中，降维在一定的信息损失范围内，可以为我们节省大量的时间和成本。降维也成为应用非常广泛的数据预处理方
简述主成分分析法的基本步骤_因素分析三步走：基本原理+操作步骤+结果解读...
weixin_39833469的博客
01-02 1万+
1 因素分析的基本原理1.因素分析含义因素分析是基于相关关系对众多数据进行降维(即简化)的数据处理方法，目的在于挖掘出众多数据后的某种结构。因素分析分为探索性因素分析和验证性因素分析，笔者将重点来介绍探索性因素分析。探索性因子分析含义：依据样本数据，根据变量间相关性的大小对变量进行分组，每组内的变量之间存在较高相关性，意味着这些变量背后有共同的制约因素，用这些公共因子来代替原始的众多变...
主成分分析（PCA）原理、步骤
Bageyalv的博客
02-24 4726
PCA背景简介 在许多领域的数据的分析和处理中，往往会有许多复杂的变量，变量与变量之间通常还存在着相关性，要从大量的变量中提取出能反映事物特征的信息是极其困难的，对单个的变量分析不全面，并且会损失信息，造成错误的结论。主成分分析（PCA）便是通过数学降维，找出最能决定数据特性的主元成分的数据分析方法，用较少的综合指标，揭示隐藏在多维复杂数据变量背后的简单结构，得到更为科学有效的数据信息。 PCA降...
主成分分析计算步骤
qq_38147044的博客
04-08 4071
最近看了很多关于主成分分析的视频和博客，大多在讲推导过程，有些晦涩难懂，而且不会应用。所以就决定干脆先看看怎么应用并计算的吧 此处采用主成分分析进行特征选择，其中用到的数据来自王志宏老师编著的《大数据分析原理与实践》一书。 主成分分析多数用在那些特征和类标签是相关的，但这些特征里面存在噪声和冗余。使用PCA可以减少特征数，减少噪声和冗余，减少过度拟合的可能性。 什么是主成分分析 主成分分析采用数据降维的方法，找出几个综合变量来代替原来的变量，并且要尽可能的代表原来变量的信息，这些综合变量要互不.
主成分分析法的步骤和原理
08-08
主成分分析法的步骤和原理
主成分分析法的计算步骤.pdf
10-21
下面是主成分分析法的计算步骤： 步骤 1：原始指标数据的标准化 在主成分分析法中，第一步是对原始指标数据进行标准化。假设我们有 $p$ 个随机变量 $x = (x_1, x_2, ..., x_p)^T$，其中 $n$ 个样本 $x_i = (x_{i1}...
主成分分析法的计算步骤
08-01
本文档详细介绍了有关主成分分析法的计算步骤，按照该步骤能够快速进行程序编写
主成分分析法_主成分分析_
10-01
在提供的“主成分分析法.ppt”文件中，可能包含了PCA的详细步骤、实例解析、代码实现等内容，对于深入理解和掌握PCA方法会有很大帮助。建议仔细阅读并结合实际数据进行操作，以提升对主成分分析的实际应用能力。
pca_normal_normal_点云_pca_点云主成分分析_法向量计算_
09-29
点云主成分分析（PCA，...总之，这个压缩包提供的Python源代码提供了点云数据的主成分分析和法向量计算功能，这对于理解和优化3D点云数据的处理流程，特别是在计算机视觉、机器人导航、3D重建等领域具有重要意义。
PCA_主成分分析法代码_主成分分析_
10-02
PCA（主成分分析）是一种广泛应用于数据分析和降维的技术，其目标是将原始高维度数据转换为一组新的正交变量，这些新变量被称为主成分，它们是原数据集中的线性组合，且按照方差从大到小排序。在降维过程中，可以...
数学建模-14.主成分分析PCA
qq_46238275的博客
07-23 2451
主成分分析(PCA) 一种降维算法，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，且彼此互不相关。其能反映出原始数据的大部分信息。 一般而言，当研究问题涉及到多变量且变量之间存在很强的相关性，考虑使用主成分分析的方法对数据进行简化 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 优点： 使得数据集更易使用； 降低算法的计算开销； 去除噪声； 使得结果容易理解 主成分分析的思想 如何确定主成分变量的系数lij等？
利用主成分分析计算点云法向量步骤
07-14
利用主成分分析（PCA）计算点云的法向量可以遵循以下步骤： 1. 选择每个点的邻域。可以根据需要选择一个固定的半径或邻域大小，以确定每个点的邻域范围。 2. 对于每个点，获取其邻域内的所有点。这些点将用于进行主成分分析。 3. 计算邻域内点的中心。将邻域内所有点的坐标取平均值，得到邻域的中心点。 4. 将邻域内的点减去中心坐标，以使邻域的中心位于原点。 5. 构建协方差矩阵。将邻域内的点坐标构建为一个矩阵，然后计算该矩阵的协方差矩阵。 6. 对协方差矩阵进行特征值分解。特征值分解将给出协方差矩阵的特征值和对应的特征向量。 7. 选择最小特征值对应的特征向量作为法向量。最小特征值对应的特征向量表示点云局部曲面的法线方向。 重复以上步骤，可以计算点云中每个点的法向量。 需要注意的是，上述步骤是一种常用的基于PCA的方法来计算点云法向量。在实际应用中，可以根据具体需求和场景进行调整和改进。此外，还可以使用PCL（Point Cloud Library）提供的NormalEstimation模块来方便地计算点云的法向量，它在内部使用了PCA方法。 总结起来，利用主成分分析计算点云的法向量需要选择邻域，计算邻域的中心点，构建协方差矩阵，进行特征值分解，并选择最小特征值对应的特征向量作为法向量。PCL提供了NormalEstimation模块来方便地实现这一过程。
评论 8
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