CVA(典型变量分析)：简易例题matlab做

白小芙

已于 2023-02-20 14:32:20 修改

阅读量913

点赞数 1

分类专栏： CVA 文章标签：算法 matlab Powered by 金山文档

于 2023-02-16 21:59:06 首次发布

本文链接：https://blog.csdn.net/qq_48032924/article/details/129072181

版权

CVA 专栏收录该内容

2 篇文章 0 订阅

订阅专栏

题目来源：《多元统计分析—基于R》(第2版) 费宇

目的：分析两向量组的相关性。

做法：用CCA，构造两个组别是原始变量的线性组合，该两组别相关程度最大。典型向量对内相关性最大，向量对与向量对之间不相关。

解题步骤：

①求协方差矩阵并分区R11,R12,R21,R22;

②计算典型相关系数和典型变量；

②计算典型相关变量与原始变量的线性组合表达式；

%例题9.1
clc;
clear;
%%计算协方差矩阵
G=eg9;
% G_mean=mean(G);   %求每一列均值 
% G_std=std(G);     %求标准差  
% E=(G-repmat(G_mean,20,1))./repmat(G_std,20,1); %规范化后  
% Q = cov(E);          %求协方差矩阵,由于已规范化，所有也相当于系数矩阵
%数据分组，前3列是生理指标，剩下的训练指标
R = cov(G);  %没有规范的,注意！！算协方差矩阵的时候是原变量做的协方差！
[row,col]=size(R); 
H=G;
X=H(:,1:3);
Y=H(:,4:col);
R_X=cov(X);
R11=R_X;
R22=cov(Y);
[r1,c1]=size(R11);
[r,c]=size(R);
R12=R(1:r1,c1+1:c);
R21=R12';

%%计算典型相关系数和典型变量
m=rank(R)-rank(R_X);        %计算典型相关系数的个数m=3
M1= (inv(R11)) * R12 * inv(R22) * R21;
[v_1,feature_value_1]=eig(M1);
[v1,value1]=sorted(M1,'descend');
D1=value1.^0.5; 
A=v1;
M2=inv(R22) * R21 * inv(R11) * R12;
[v_2,feature_value_2]=eig(M2);
[v2,value2]=sorted(M2,'descend');
D2=value2.^0.5;        %典型相关系数，跟D1一样
B=v2;

%贡献率
Dg=D1./sum(D1)  ;      %特征值的贡献度，方差贡献率
Dleiji=cumsum(Dg) ;     %累计贡献度
num = 1;                                          
while sum(D1(1:num))/sum(D1)  < 0.65   %若累计贡献率小于65%则增加典型变量个数.
num = num +1;
end          %num=1,只需要取前1个典型变量U1,V1就行

%%计算典型相关变量与原始变量的线性组合系数U,V
%计算典型变量u的得分
U_score=[];
for i=1:1:3
    A1=A(:,i);
    u_score=A1'*X';
    U_score=[U_score ; u_score]
end
%计算典型变量u得分的标准差 
u_std=std(U_score');
%典型变量U与原始变量的线性组合表达式
U=A./u_std

%计算V的得分
V_score=[];
for i=1:1:3
    B1=B(:,i);  %B的列
    v_score=B1'*Y';
    V_score=[V_score ; v_score]
end
%计算V的标准差
v_std=std(V_score');
%典型变量v与原始变量的线性组合表达式
V=B./v_std;

%绘制两个典型变量u1，V1，第一对典型相关变量的的得分的散点图
scatter(U_score(1,:),V_score(1,:))

%计算原始变量与典型变量的相关系数
cov_xu=corr(X,(A'*X')')      %典型变量u1与X组原始变量：A*X,对原来的变量做线性变换
cov_xv=corr(X,(B'*Y')')      %典型变量v1与X组原始变量
cov_yu=corr(Y,(A'*X')') 
cov_yv=corr(Y,(B'*Y')') 



%下面这个函数是将特征值从大到小排，对应的特征向量也相对应
% 来源链接：https://blog.csdn.net/qq_45814396/article/details/124739641
function [sorted_X,sorted_D]=sorted(X,direction)
    [X1,D]=eig(X); %对矩阵求特征值和特征向量
    col_vector=diag(D); %将特征值矩阵转换为只有一列的向量
    X1=[X1',col_vector]; %将特征值整列追加到特征向量最后
    [row,col]=size(X1); 
    sorted_result=sortrows(X1,col,direction); %按照最后一列排序
    sorted_X=sorted_result(:,1:end-1)'; %返回排序后特征向量
    sorted_D=sorted_result(:,end);  %返回排序后的特征值
end

结果：

输出典型相关系数：

D1 or D2:

0.795608154419991

0.200556041107123

0.0725702862103671

典型相关变量与原始变量的线性组合表达式:

U =

0.0314

-0.4932

0.0082

V =