数学建模多元分析实例

最新推荐文章于 2024-07-28 13:33:18 发布

zz_Outlier

最新推荐文章于 2024-07-28 13:33:18 发布

阅读量8.3k

点赞数 4

分类专栏：数模竞赛文章标签：数学建模算法对象实例

本文链接：https://blog.csdn.net/qq_34861102/article/details/77101690

版权

本文详细介绍了数学建模中的多元分析方法，包括聚类分析的R型和Q型，主成分分析用于降低维度，因子分析，判别分析以及典型相关分析。每个方法都配以具体的计算步骤和实例代码，帮助读者理解并应用这些技术。

摘要由CSDN通过智能技术生成

数学建模多元分析实例

原文：http://blog.csdn.net/qq_34861102/article/details/77101690

聚类分析
- R型聚类法
- Q型聚类法
- 相关命令
  - pdist
    - Y = pdist(X,'metric')
      - 矩阵X 必选，'metric'指定计算矩阵中对象的距离的方式
      - pdist(X,'minkowski',p) p在闵氏距离计算矩阵中用到的指数值
  - linkage
    - Z = linkage(Y,'method')
      - Y 上面生成的距离（必选），method按照指定的算法生成聚类树（可选）
  - cluster
    - T = cluster(Z,'cutoff',c)
      - 创建聚类
  - zsore
    - zsore(X)
    - 标准化处理
  - dendrogram
    - H = dendrogram(Z,P)
    - 画聚类树状图，其中P为节点数，默认是30
  - clusterdata
    - 等价于前三个命令
  - squareform
    - 将pdist转化为方阵
- 实例
```
a = [1,0;1,1;3,2;4,3;2,5];
y = pdist(a,'cityblock');
yc = squareform(y);
z = linkage(y);
dendrogram(z);
T = cluster(z,'maxclust',3)
```

主成分分析（降低维度）

使用步骤
- 对原始数据进行标准化处理
- 计算相关系数矩阵R
- 计算特征值和特征向量
- 选择p个主成分，计算综合评价值

使用实例：

%获取数据
gj = load('data.txt');
%数据标准化
gi = zscore(gj);
%计算相关系数矩阵
r = corrcoef(gj);
%x的列为r的特征向量，即主成分的系数
%y为r的特征值
%z为各个主成分的贡献率
[x,y,z] = pcacov(r);
%构造与x矩阵同维数的元素为+1或-1的矩阵
f = repmat(sign(sum(x)),size(x,1),1);
%使得每个特征向量的分量和为正
x = x.*f;
%选取主成分的个数
num = 3;
%计算各个主成分的得分
df = gj*x(:,1:num);
%计算综合得分
tf = df*z(1:num)/100;
[stf,ind] = sort(tf,'descend');
stf = stf';
ind = ind';

因子分析
- 使用步骤
  - 对原始数据进行标准化处理
  - 计算相关系数矩阵R
  - 计算初等荷载矩阵
  - 选择p个主因子
- 使用实例
  - ```
  %获取数据
  gj = load('data.txt');
  %数据标准化
  gi = zscore(gj);
  %计算相关系数矩阵
```