主成分分析法_权重赋值之“主成分分析法”

最新推荐文章于 2022-07-29 10:28:48 发布
最新推荐文章于 2022-07-29 10:28:48 发布
阅读量3k 收藏 9
点赞数 1
文章标签： 主成分分析法
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_39683978/article/details/111614162
版权
9e9ce1a2744bd716794be76b2114feab.gif

作者：王娟   封面：吉江

主成分分析(Principal Component Analysis，PCA)，最早是由K·皮尔森(Karl Pearson)对非随机变量引入的一种统计方法，尔后H.霍特林将此方法推广到随机向量的情形。主成分是指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，转换后的这组变量就叫主成分[百度百科]。

主成分分析方法的使用是相当普遍的，如问卷的效度分析，因子分析的降维处理等等。那么，主成分分析方法又是如何确定指标权重的呢？

对于SPSS软件的主成分分析操作在这里不再赘述，选取需要用到的总方差解释表和成分矩阵表。

ba21790e0ab87d9404600d7099e65bde.png

beeb0fbfb1d6c4760f81aef3b6312aa3.png

第一步：确定主成分在各线性组合中的系数。系数=

最低0.47元/天 解锁文章
weixin_39683978
关注
  • 1
    点赞
  • 踩
  • 9
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
主成分分析法确定权重
Zsusan7的博客
08-13 8917
在数模中，确定权重方法有很多种，比如主成分分析法、层次分析法、熵权法、相关系数作为权重等。 网上很多教程都是用spss计算权重，这里主要讲利用python通过主成分分析法确定权重。 主成分分析法概述 主成分分析法是一种线性的降维算法，通过将N维特征进行正交变换，得到相互独立的k维(k<N)数据，通过分析得出“主成分”，利用“主成分”确定影响权重。 数据归一化 为了消除不同变量的量纲的影响，在对数据进行主成分分析前，首先要对数据进行标准化，之所以要对数据进行标准化。 涉及m个样本，n个指标，第j个样本的
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
主成分分析确定权重
wojiaodabai的博客
05-09 1万+
参考： https://www.cnblogs.com/zhhda/p/4535476.html https://blog.csdn.net/qq_32925031/article/details/88540234
指标赋权与评价类方法总结
ZFour_X的博客
08-18 2万+
AHP层次分析、主成分分析、熵权法、组合赋权、Topsis、数据包络法、GRA灰色关联度分析
超详细SPSS主成分分析计算指标权重（二：权重计算及极差法标准化）
技术无止境，人生仍探索。
03-14 18万+
三、权重计算 1、上节回顾 上一节我们利用SPSS中的数据标准化方法及主成分分析法，得出了“解释的总方差”和“成分矩阵”（如下图） 接下来我们将利用主成分分析得出的数据计算指标权重 2、权重计算 （1）输入数据 将主成分分析中得出的“成分矩阵”及特征根复制的Excel中： 对应主成分分析的数据为： （2）计算线性组合中的系数 公式为：标准化数/对应主成分特征根的平方根.。直接上图。 为方便...
超详细SPSS主成分分析计算指标权重（一）
热门推荐
技术无止境，人生仍探索。
03-13 20万+
一、指标权重计算确定的困惑 相信很多写过或者正在写指标处理类论文的朋友都曾对如何计算指标权重充满困惑，到底是用熵值法，还是主成分分析法？或者其他各种看起来奥妙无穷却难以上手操作的神奇方法？好不容易确定要选用主成分分析法时又开始发愁要如何实现呢？听说过要可以用SPPS，可是又如何使用SPSS操作呢？用SPSS进行主成分分析之后又要如何得到最终的权重呢？接下来笔者将以一个实际的案例，带领大家一步步从S...
MachineLearning 1. 主成分分析（PCA）
weixin_41368414的博客
04-07 3112
 关注公众号，桓峰基因 桓峰基因 生物信息分析，SCI文章撰写及生物信息基础知识学习：R语言学习，perl基础编程，linux系统命令，Python遇见更好的你 67篇
主成分赋权法
何加焉的博客
10-28 3166
利用主成分赋权法确定指标权重，该方法以实际指标信息来确定权重，不存在因人而异的缺点，具有客观性、合理性较高等优点。主成分分析法确定权重的计算步骤为（任若恩 等，1997）。 主成分定权 坐标格网 人口空间化 数据名称 数据来源 属性 2015年土地利用数据（包括河流、道路） 遥感解译Landsat image（2015-10-08） 30 m×30 m栅格...
主成分分析法_主成分分析_
10-01
在提供的“主成分分析法.ppt”文件中，可能包含了PCA的详细步骤、实例解析、代码实现等内容，对于深入理解和掌握PCA方法会有很大帮助。建议仔细阅读并结合实际数据进行操作，以提升对主成分分析的实际应用能力。
主成分分析法.zip_pca_主成分_主成分分析_主成分分析法_主成分案例
07-14
内涵主成分分析法的PPT，案例和matlab编写的代码。
等保测评项（三级系统）权重赋值表
01-24
信息安全等级保护（三级系统）测评权重赋值表，请于系统等级匹配使用！
论文研究-加权主成分分析法在可变限速系统综合评价中的应用.pdf
09-20
论文研究-加权主成分分析法在可变限速系统综合评价中的应用.pdf,  以可变限速系统(VSL)项目为研究对象,运用加权主成分分析法设计了VSL项目社会经济影响综合评价模型,并通过基于交通仿真软件模拟设计的评价方案给出了评价案例.评价结果表明,利用加权主成分分析法评价VSL项目可以将主成分分析法的客观分析和层次分析法的主观分析有机地相结合,有效地评判出不同交通流量下的最佳限速控制值,其评价结果更加全面、更加符合客观实际情况.
p_2_主成分分析法_
10-03
主成分分析法（PCA，Principal Component Analysis）是一种统计学上的多变量分析技术，常用于数据预处理和降维。在高维数据集的处理中，PCA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...
主成分分析.rar_matlab 主成分_主成分分析_主成分分析法_主成分案例_数据处理
07-13
通过具体案例用matlab编写了主成分分析程序。
PCA_主成分分析法代码_主成分分析_
10-02
PCA（主成分分析）是一种广泛应用于数据分析和降维的技术，其目标是将原始高维度数据转换为一组新的正交变量，这些新变量被称为主成分，它们是原数据集中的线性组合，且按照方差从大到小排序。在降维过程中，可以...
基于R语言地理加权回归、主成分分析、判别分析等空间异质性数据分析
WangYan2022的博客
07-29 2400
以地理加权回归为基础的一系列方法：经典地理加权回归，半参数地理加权回归、多尺度地理加权回归、地理加权主成份分析、地理加权判别分析是处理这类数据的有效模型。从局部加权回归开始，详细讲述了基于R语言的空间异质性数据分析方法。...
canoco5主成分分析步骤_权重赋值之“主成分分析法”
weixin_39979159的博客
11-10 1499
主成分分析（Principal Component Analysis，PCA），最早是由K·皮尔森（Karl Pearson）对非随机变量引入的一种统计方法，尔后H.霍特林将此方法推广到随机向量的情形。主成分是指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，转换后的这组变量就叫主成分[百度百科]。主成分分析方法的使用是相当普遍的，如问卷的效度分析，因子分析的降维处理等等。那么，...
主成分分析二级指标权重_权重赋值之“主成分分析法”
weixin_28867413的博客
12-29 1883
主成分分析(Principal Component Analysis，PCA)，最早是由K·皮尔森(Karl Pearson)对非随机变量引入的一种统计方法，尔后H.霍特林将此方法推广到随机向量的情形。主成分是指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，转换后的这组变量就叫主成分[百度百科]。主成分分析方法的使用是相当普遍的，如问卷的效度分析，因子分析的降维处理等等。那么，...
主成分分析的计算方法
泉眼里的气泡
06-19 1万+
主成分分析（Principal Component Analysis，PCA），是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。
python实现主成分分析法求权重
最新发布
05-05
主成分分析(PCA)的目的是将高维数据降维到低维，同时尽可能地保留原本的信息。在PCA中，特征向量表示了数据的主要方向，而特征值表示了数据在这些方向上的重要性。 对于给定的数据集X，PCA的步骤如下： 1. 对数据集进行中心化，即将每一维的数据减去该维数据的均值，使得数据集的均值为0。 2. 计算协方差矩阵C，其元素为：Cij = cov(Xi, Xj) = E[(Xi - E[Xi])(Xj - E[Xj])]，其中E[·]表示期望值。 3. 对协方差矩阵进行特征值分解，得到特征向量和特征值。 4. 将特征值从大到小排序，选择前k个特征值对应的特征向量作为新的基，其中k为降维后的维数。 5. 利用新的基将数据映射到新的空间中，即Y = XW，其中Y为降维后的数据，W为特征向量矩阵。 6. 计算每个特征向量的权重，即每个特征向量在新的空间中所占的比例。 以下是Python实现PCA并求特征向量的权重的示例代码： ```python import numpy as np def PCA(X, k): # 中心化 X = X - np.mean(X, axis=0) # 计算协方差矩阵 cov = np.cov(X.T) # 特征值分解 eig_vals, eig_vecs = np.linalg.eig(cov) # 特征值排序 eig_pairs = [(np.abs(eig_vals[i]), eig_vecs[:,i]) for i in range(len(eig_vals))] eig_pairs.sort(reverse=True) # 选择前k个特征向量 w = np.hstack((eig_pairs[i][1].reshape(X.shape[1],1)) for i in range(k)) # 计算特征向量的权重 weights = np.sum(w, axis=1) return weights # 示例数据 X = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]]) # 求特征向量的权重 weights = PCA(X, 2) print(weights) ``` 输出结果为： ``` [0.57735027 0.57735027 0.57735027] ``` 其中，weights表示每个特征向量在新的空间中所占的比例。

“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
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