pca 累积方差贡献率公式_PCA的原理及详细步骤

最新推荐文章于 2024-06-11 20:20:23 发布
最新推荐文章于 2024-06-11 20:20:23 发布
阅读量3.5k 收藏 1
点赞数
文章标签： pca 累积方差贡献率公式
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/weixin_34977480/article/details/112033043
版权
主成分分析（PCA）是一种数据降维方法，通过线性组合原指标形成互不相关的主成分，最大化信息保留。第一主成分拥有最大方差，后续主成分依次独立且方差递减。PCA的主要任务包括确定主成分的表达式和系数，通过协方差矩阵的特征根和特征向量来实现。
摘要由CSDN通过智能技术生成

一、基本原理

主成分分析是数学上对数据降维的一种方法。

其基本思想是设法将原来众多

的具有一定相关性的指标

X1

，

X2

，…，

XP

(比如

p

个指标)

，重新组合成一组较

少个数的互不相关的综合指标

Fm

来代替原来指标。那么综合指标应该如何去提

取，使其既能最大程度的反映原变量

Xp

所代表的信息，又能保证新指标之间保

持相互无关(信息不重叠)

。

设

F1

表

示

原

变

量

的

第

一

个

线

性

组

合

所

形

成

的

主

成

分

指

标

，

即

1

11

1

21

2

1

...

p

p

F

a

X

a

X

a

X

,

由数学知识可知，

最低0.47元/天 解锁文章
内含子
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
pca 累积方差贡献率公式_PCA原理详解-背后的数学
weixin_36272668的博客
12-26 3489
将n维特征映射到k维，这全新的k维正交特征就是主成分。这k维向量中，第一个维度选取原始数据中方差最大的方向；第二个维度选取与第一个坐标正交的平面中，方差最大的一个；第三个维度选取与前两个维度正交的平面中方差最大的一个。以此类推，得到k维向量。所以大部分方差都包含在前面k个维度中，后几个几乎为0。所以PCA本质上是只保留包含大部分方差的维度特征，忽略方差几乎为0的特征，从而实现降维。推论：从PCA原...
pca 累积方差贡献率公式_特征工程 | PCA降维
weixin_28747937的博客
12-22 1万+
基本思想 主成分分析(PCA)是一种多元统计方法，主要利用降维的思想，在损失很少信息的前提下，把多个变量转化为少数几个互不相关的综合变量，各综合变量即称为主成分。简单来说，主成分与原变量之间应有如下关系：主成分是原变量的线性组合；各主成分之间互不相关；主成分的数目远远小于原变量的数目，且保留了原变量绝大多数信息。 假设有p个变量，分别用表示，随机向量，设随机向量X...
主成分分析法怎么提取图片中的字_(完整版)主成分分析法的原理应用及计算步骤.....
weixin_39949413的博客
12-19 612
一、概述在处理信息时，当两个变量之间有一定相关关系时，可以解释为这两个变量反映此课题的信息有一定的重叠，例如，高校科研状况评价中的立项课题数与项目经费、经费支出等之间会存在较高的相关性；学生综合评价研究中的专业基础课成绩与专业课成绩、获奖学金次数等之间也会存在较高的相关性。而变量之间信息的高度重叠和高度相关会给统计方法的应用带来许多障碍。为了解决这些问题，最简单和最直接的解决方案是削减变量的个数，...
主成分分析（PCA）
最新发布
m0_74739796的博客
06-11 1507
PCA（Principal Component Analysis），即主成分分析，是一种广泛使用的数据分析方法，特别在数据降维领域。PCA的主要思想是将原始的高维特征空间通过线性变换投射到一个新的低维特征空间上，同时尽量保持原始数据的方差，使得在新的低维空间中数据的差异性得以保留。
PCA利用累计方差贡献率确定主元个数的matlab程序
04-04
PCA主元分析方法中对主元个数确定目前没有非常好的办法，这里提供一个方便的方法来确定主元个数。matlab程序
pca 累积方差贡献率公式_［机器学习］学习笔记：PCA（主成分分析）的直观理解...
weixin_29795623的博客
12-06 1016
PCA是一种基本的数据降维技术。在知乎或者百度搜索PCA，会找到很多关于PCA的介绍。我喜欢在直观上理解数学知识。因此我打算从直观的角度把我对PCA的理解写出来。毕竟是个人见解，如有不妥之处欢迎指正。以下内容假定读者稍微了解过PCA。我以最简单的模型为例：如何把二维数据压缩至一维。正如最近很火的一句话：“戏说不是胡说，改编不是乱编”。数据压缩也不是随心所欲地压缩。我们的目标是：让新数据的方差尽可能...
pca 累积方差贡献率公式_初识PCA数据降维
weixin_39632327的博客
12-19 3235
PCA要做的事降噪和去冗余，其本质就是对角化协方差矩阵。一.预备知识1.1 协方差分析对于一般的分布，直接代入E(X)之类的就可以计算出来了，但真给你一个具体数值的分布，要计算协方差矩阵，根据这个公式来计算，还真不容易反应过来。网上值得参考的资料也不多，这里用一个例子说明协方差矩阵是怎么计算出来的吧。用matlab计算这个例子z=[1,2;3,6;4,2;5,2]cov(z)ans =2.9167...
pca 累积方差贡献率公式_主成分分析(PCA)解析 | 统计学习方法 | 数据分析，机器学习，学习历程全记录...
weixin_39603217的博客
12-29 5836
本文包括：主成分分析基本思想主成分分析的数学表达主成分个数规范化变量的总体主成分样本主成分分析1.主成分分析基本思想：在一个数据集中，数据的变量(特征)之间可能存在相关性(互相不独立)，这种相关性增加了分析的难度。在很多模型中，是会假设各个特征之间是独立的，最有代表性的就是朴素贝叶斯模型。为了减少分析难度，提出了主成分分析的方法。主成分分析的最终结果是要用少数不相关的变量来代替相关的变量，这些少数...
PCA.zip_PCA累积_PCA贡献率_pca_pca+lda
09-23
6. **累积贡献率**：累积贡献率是各个主成分所解释的总方差的比例。一般情况下，会选择累积贡献率达到一定阈值（如85%或90%）时的主成分个数，以保证降维后仍能保留大部分信息。 LDA（线性判别分析）则是一种有监督...
pca.zip_PCA降维 贡献率_pca降维_pca降维贡献率_降维贡献_降维贡献率
09-20
降维贡献率是衡量每个主成分对总方差贡献的大小，而累计贡献率则表示前k个主成分一共解释了多少比例的总方差。这两个指标对于确定合适的主成分数量至关重要，它们帮助我们在降低数据复杂性的同时，保持足够的信息量...
pca主成分分析结果解释_PCA--主成分分析
weixin_39953845的博客
10-22 808
主成分分析（principal component analysis，PCA）是一种无监督学习方法，用来计算主成分理解数据。PCA的主要思想是n个样本值虽然都是存在于p维空间当中，但是并不是所有维度都有同样的价值，PCA致力于寻找少数尽可能有意义的维度来表达数据。而维度是否有意义由所有观测值在每一维度上的离散程度（方差，variance）决定。PCA步骤：假设现在有这么一组数据第一步：数据中心化，...
通过各种统计方法建立理想的mlb投球前景
weixin_26707803的博客
09-04 390
总览 (Overview) My next analysis was inspired from various baseball-industry related experiences. Before pursuing my graduate degree, I had numerous jobs working in baseball, specifically in the player...
pca 累积方差贡献率公式_主成分分析（PCA）在模型中的运用
热门推荐
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...
如何从spss给出的主成分分析里看出提取了多少主成分
weixin_42607969的博客
12-22 856
在 SPSS 中，可以从 "分析" 菜单中选择 "主成分分析" 然后在 "主成分" 选项卡中查看 "提取的主成分数"。这个选项卡中还会显示每个主成分的贡献率以及累计贡献率，可以帮助你了解每个主成分的重要性。 另外，也可以在 "转换" 选项卡中查看 "变量" 表格，其中会列出每个变量在每个主成分中的载荷(loading)。通常情况下，载荷较大的变量在该主成分中贡献较大。你可以根据这些信息来判断提取了...
深度学习涉及到的线性代数知识点总结（二）
liu1073811240的博客
11-23 1716
文章目录一、余弦相似度和欧式距离的关系二、相关性三、基四、线性变换五、仿射变换六、矩阵特征方程七、相似矩阵八、奇异值分解九、谱范数 一、余弦相似度和欧式距离的关系 如果对向量模长进行归一化，欧式距离和余弦相似度有如下计算关系： ● 适用场景        余弦相似度计算的向量的夹角，它并不关心向量的绝对大小。        欧式距离体现的是数值上的绝对差异。 ●
canoco5主成分分析步骤_R语言 PCA主成分分析
weixin_39560029的博客
11-21 1612
微信公众号：生信小知识关注可了解更多的教程及生信知识。问题或建议，请公众号留言;R语言 PCA主成分分析前言统计学背景知识协方差相关系数函数总结实例讲解1.载入原始数据2.作主成分分析3.结果解读4.画主成分的碎石图并预测5.PCA结果绘制后记前言PCA分析大家肯定经常看到，但是你真的懂PCA分析的结果吗？图我也会看，我只是不是很清楚PCA背后输出结果的解读而已。正好看到一篇不错的博客，...
pca 累积方差贡献率公式_SVD是如何给PCA减负的？
weixin_36087877的博客
12-22 655
最近在重温一些经典的算法，故在此记录一下学习的心得，有理解的不到位的地方欢迎各位大佬不吝赐教。【7.22 】【更新：PCA中的去中心化操作可以这样理解，这不是一个预处理操作，这是一个算法内所必须执行的操作】正文：首先，先简单说一下SVD和PCA的区别和联系：PCA全称叫做主成分分析(pricinple conponent anlaysis）,顾名思义就是分析主要的成分，但是什么叫做主要特征，什么叫...
主成分分析（Principal components analysis）-最大方差解释
alaclp的专栏
08-25 1766
在这一篇之前的内容是《Factor Analysis》，由于非常理论，打算学完整个课程后再写。在写这篇之前，我阅读了PCA、SVD和LDA。这几个模型相近，却都有自己的特点。本篇打算先介绍PCA，至于他们之间的关系，只能是边学边体会了。PCA以前也叫做Principal factor analysis。 1. 问题 真实的训练数据总是存在各种各样的问题： 1、 比如拿到一个汽车的样本，里面既
怎么选取PCA累计方差贡献率大于0.85的主成分，代码是什么
04-21
以下是一个简单的Python代码示例，用于选择累积方差贡献率大于0.85的主成分： ``` from sklearn.decomposition import PCA import numpy as np # 假设X是原始数据矩阵，n_components是主成分数量 pca = PCA(n_components=X.shape[1]) pca.fit(X) # 获取每个主成分的方差贡献率 variance_ratio = pca.explained_variance_ratio_ # 计算累积方差贡献率 cumulative_variance_ratio = np.cumsum(variance_ratio) # 获取第一个累积方差贡献率大于0.85的主成分的序号 selected_components = np.argmax(cumulative_variance_ratio > 0.85) # 选取累积方差贡献率大于0.85的主成分 X_pca = pca.transform(X)[:, :selected_components] ``` 请注意，此代码示例仅适用于使用scikit-learn库的PCA实现。如果您使用其他PCA实现，请参阅该实现的文档，以确定如何获取累积方差贡献率。
评论
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