主成分分析 (二）：特征值因子的筛选

最新推荐文章于 2024-03-14 23:53:26 发布

wamg潇潇

最新推荐文章于 2024-03-14 23:53:26 发布

阅读量7.3k

点赞数 3

分类专栏：多元统计分析

本文链接：https://blog.csdn.net/qq_29831163/article/details/89597625

版权

多元统计分析专栏收录该内容

19 篇文章 100 订阅

订阅专栏

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

特征值因子的筛选

回到主成分分析，实际中确定（17）式中的系数就是采用（28）式中矩阵的特征向量。因此，剩下的问题仅仅是将 $\small X^{T}X$ 的特征值按由大到小的次序排列之后，如何筛选这些特征值？

一个实用的方法是删去 $\lambda _{r+1}\, ,\lambda _{r+2}\, ,....,\lambda _{p}\,$ 后，这些删去的特征值之和占整个特征值之和 $\sum \lambda _{i}$ 的15％以下，换句话说，余下的特征值所占的比重（定义为累积贡献率）将超过85％，当然这不是一种严格的规定，今年来文献中关于这方面的讨论很多，有很多比较成熟的方法，这里不一一介绍。单纯考虑累积贡献率有时是不够的，还需要考虑选择的主成分对原始变量的贡献值，我们用相关系数的平方和来表示，如果选取的主成分为 $\large z_{1}\, ,z_{2}\, ,...,z_{r}\,$ ，则它们对原变量 $\large x_{i}$ 的贡献值为