主成分分析的基本原理

最新推荐文章于 2023-07-05 16:48:10 发布
最新推荐文章于 2023-07-05 16:48:10 发布
阅读量2k 收藏 6
点赞数 1
分类专栏： 数学建模 文章标签： 算法 机器学习 人工智能
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_59183443/article/details/128194309
版权

目录

什么是主成分分析？

主成分分析的步骤 

根据什么选择主成分？ 

怎样解释主成分？

特征值、方差解释率及碎石图

载荷系数与共同度

什么是主成分分析？

主成分的概念由Karl Pearson在1901年提出的。他是考察多个 变量间相关性一种多元统计方法 研究如何通过少数几个主成分(principal component)来解释 多个变量间的内部结构。即从原始变量中导出少数几个主分量， 使它们尽可能多地保留原始变量的信息，且彼此间互不相关。

主成分分析的目的：数据的压缩；数据的解释

常被用来寻找判断事物或现象的综合指标，并对综合指标所包 含的信息进行适当的解释 

主成分分析的步骤 

1.对原来的p个指标进行标准化，以消除变量在水平和 量纲上的影响

2.根据标准化后的数据矩阵求出相关系数矩阵

3.求出协方差矩阵的特征根和特征向量

4.确定主成分，并对各主成分所包含的信息给予适当的解释

用spss进行主成分分析

根据什么选择主成分？ 

根据主成分贡献率

一般来说，主成分的累计方差贡献率达到80%以上的前 几个主成分，都可以选作最后的主成分

比如表3中前两个主成分的累计方差贡献率为95.57% n 根据特特征根的大小

一般情况下，当特征根小于1时，就不再选作主成分了

因为该主成分的解释力度还不如直接用原始变量解的释 力度大

比如表3中除前两个外，其他主成分的特征根都小于1。

所以SPSS只选择了两个主成分

怎样解释主成分？

进行主成分分析后如何正确的对主成分进行解释？ - 知乎 (zhihu.com)

特征值、方差解释率及碎石图

载荷系数与共同度

星河边采花
关注
  • 1
    点赞
  • 踩
  • 6
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 1
    评论
专栏目录
主成分分析（PCA）原理详解
haoji007的博客
08-02 2054
一、PCA简介 1. 相关背景 主成分分析（Principal Component Analysis，PCA）是一种统计方法。通过正交变换将一组可能存在相关性的变量转换为一组线性不相关的变量，转换后的这组变量叫主成分。         在许多领域的研究与应用中，往往需要对反映事物的多个变量进行大量的观测，收集大量数据以便进行分析寻找规律。多变量大样本无疑会为研究和应用提供了丰富的信息，但...
主成分分析法的基本原理
最新发布
04-28 387
它的基本原理是通过线性变换，将高维数据转换为低维空间，同时保留数据的最大方差。这是因为各个特征可能具有不同的尺度和变化范围，而PCA是基于数据的协方差矩阵计算的，所以标准化可以消除单位和尺度的差异。是基于最小二乘法原理，将一组数据通过选定的数据拟合算法拟合成一组曲线，选择适当的曲线类型来拟合观测数据，并用拟合的曲线方程分析两变量间的关系。这些主成分对应了最大的方差，即数据中最重要的特征。主成分分析还具有对数据进行可视化的能力，可以通过绘制主成分的散点图或者数据的散点图来展示数据的分布和相关性。
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
数据归约——主成分分析PCA
weixin_56631477的博客
11-12 2224
人们希望用较少的变量来代替原来较多的变量，这种代替可以反映原来多个变量的大部分信息，这实际上是一种“降维”的思想。一般要求所选主成分的方差总和占全部方差的80%以上，一般来说，主成分的累计方差贡献率达到80%以上的前几个主成分，都可以选作最后的主成分。（6）根据主成分分析模型和主成分载荷，可以得到主成分与原来变量之间的线性组合表达式。：如果第一个主成分不足以代表原来的变量，在考虑选择第二个主成分，依次类推。（3）确定主成分：特征值越大，则对应的特征向量表示的主成分的方差越大，，新的变量(即主成分)为。
Mplus&SPSS—探索性因素分析（Exploratory Factor Analysis, EFA）
m0_54401011的博客
07-05 4180
本文将对探索性因素分析进行简单介绍，分为理论篇和操作篇，理论篇介绍探索性因素分析的相关知识。操作篇介绍探索性因素分析在SPSS与Mplus中的操作方法与结果解读，如仅想了解操作，可直接跳转到操作篇。
主成分分析_python_主成分分析_
09-28
**主成分分析(PCA)简介** 主成分分析（Principal Component Analysis，PCA）是一种常见的数据分析方法，主要用于高维数据集的降维。它通过线性变换将原始数据转换为一组各维度线性无关的新变量，即主成分。这些新...
主成分分析原理
04-14
主成分分析原理 主成分分析是一种常用的降维技术，广泛应用于数据挖掘、机器学习、统计分析等领域。它的主要思想是将高维数据降低到低维空间，以便更好地提取有用的信息。 主成分分析的基本思想 主成分分析的基本...
主成分分析c代码与原理
02-24
主成分分析（PCA，Principal Component Analysis）是一种统计学方法，常用于高维数据的降维和特征提取。在数字图像处理、机器学习以及数据分析等领域，PCA有着广泛的应用。本资源包含C语言实现的PCA算法代码及相关的...
主成分分析原理.docx
03-06
主成分分析（PCA，Principal Component Analysis）是一种统计学方法，用于将高维数据集转换成一组线性不相关的低维变量，这些变量被称为主成分。这种方法的主要目的是降低数据的复杂性，同时保留数据集中的大部分...
pca 累积方差贡献率公式_主成分分析（PCA）在模型中的运用
weixin_39834281的博客
12-23 1万+
关于主成分分析在模型中的运用主要有以下几个方面：（1）降维；尤其是在面对大量数据时，可以借助PCA方法提取有效的数据成分；其原理，简单的理解就是将众多变量和指标通过一定方法提取出少数几个有代表性的且互相相关性系数较低的变量。（2）处理变量之间多重共线性的问题；（3）确定变量的权重，将多个变量组合成“一个”变量（这在计量经济学论文中常用到，在此不做介绍）。1.主成分在spss中的实现。步骤：分析—降...
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
主成分分析基本原理
WTomster的博客
12-01 2140
8.2 基本思想和数学模型 8.2.1 基本思想 主成分通过使用少量的综合性的变量来表示原始数据绝大部分的变化，因此，提出了一种协方差结构的简单描述。 综合变量是原始变量的线性组合，也被叫做主成分。 几何解释 通过旋转原始数据得到一个新的坐标系，使得新的坐标能够表示最大变量的方向 8.2.2 数学模型 原始变量：X=[x1,x2,⋯ ,xp]X=[x_1,x_2,\cdots,x_p]X=[x1​,x2​,⋯,xp​]，每一个xix_ixi​是一个随机变量，我们假设E(xi)=0E(x_i)=0E(xi​)
机器学习——主成分分析PCA
xiao_lxl的专栏
08-19 2817
文章目录降维PCA 算法PCA的原理及目标函数PCA的求解方法PCA 最小平方误差理论问题描述分析 机器学习十大算法——主成分分析 降维 宇宙，是时间和空间的总和。时间是一维的，而空间的维度，众说纷纭，至今没有定论。弦理论说是9维，霍金所认同M理论则认为是10维。它们解释说人类所能感知的三维以外的维度都被卷曲在了很小的空间尺度内。当然，谈及这些并不是为了推销《三体》系列读物，更不是引导读者探索宇宙...
主成分分析法_SPSS教程（一）|主成分分析法
weixin_39881859的博客
12-19 1万+
本期编辑 | 小谦本期校对 | 听雨文章来源 |医咖会鸣谢作者1、问题与数据某公司经理拟招聘一名员工，要求其具有较高的工作积极性、自主性、热情和责任感。为此，该经理专门设计了一个测试问卷，配有25项相关问题，拟从315位应聘者中寻找出最合适的候选人。在这25项相关问题中，Qu3-Qu8、Qu12、Qu13测量的是工作积极性，Qu2、Qu14-Qu19测量的是工作自主性，Qu20-Qu2...
主成分分析法及特征值的含义
My Sunshine
12-02 5万+
主成分分析法是一种非常适用，又相对简单的数据处理的方法。它是利用降维的方法，将数据表示的信息的主要成分提取出来，所以叫做主成分分析法。  从它的作用可以看出来，它的运用非常的广泛:  1. 显而易见，由于它可以提取主要的信息成分，所以它可以用来过滤掉信号的噪声。 2.它可以用于合并特征。当有一些信息相关性非常大的时候，我们可以用主成分分析法把它们合并成一个特征。 3.它
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
R-第六章|主成分分析
Lattewow的博客
04-06 4653
R-多元回归分析-PCA
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，

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
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

打赏作者

星河边采花

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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