r语言主成分分析_从0开始入门R语言—主成分分析PCA

最新推荐文章于 2024-05-15 16:20:05 发布
最新推荐文章于 2024-05-15 16:20:05 发布
阅读量385 收藏 2
点赞数
文章标签： r语言主成分分析

683c41dbd9afa909faf54eb92bcca822.png 
#读取文件信息，此数据在文末
orgData<-read.csv("data.csv") 
head(orgData)
#方法一：作主层分首先要标准化
orgData<-orgData[,2:5]
apply(orgData,2,sd)
#方法二：采用相关系数矩阵
pr1<-princomp(orgData,cor=TRUE)
summary(pr1) #查看主层分分析结果

# Importance of components:
#                           Comp.1    Comp.2    Comp.3     Comp.4
# Standard deviation     1.5812709 0.9923751 0.7137466 0.07307394
# Proportion of Variance 0.6251044 0.2462021 0.1273585 0.00133495
# Cumulative Proportion  0.6251044 0.8713065 0.9986650 1.00000000

summary(pr1,loadings=TRUE) #查看因子载荷矩阵
# Importance of components:
#                           Comp.1    Comp.2    Comp.3     Comp.4
# Standard deviation     1.5812709 0.9923751 0.7137466 0.07307394
# Proportion of Variance 0.6251044 0.2462021 0.1273585 0.00133495
# Cumulative Proportion  0.6251044 0.8713065 0.9986650 1.00000000
# 
# Loadings:
#          Comp.1 Comp.2 Comp.3 Comp.4
# cnt_call -0.111  0.990              
# cnt_msg  -0.510 -0.127  0.810 -0.262
# cnt_wei  -0.579        -0.559 -0.593
# cnt_web  -0.627        -0.157  0.762

# 因子分析，上述主成分解释性差,因此，通过因子旋转增强主成分的解释能力
fc2<-principal(orgData,nfactor=3,rotate="varimax",score=TRUE)
fc2
# Principal Components Analysis
# Call: principal(r = orgData, nfactors = 3, rotate = "varimax", scores = TRUE)
# Standardized loadings (pattern matrix) based upon correlation matrix
#          RC1   RC2  RC3   h2     u2 com
# CNT_TBM 0.04  0.99 0.10 0.99 0.0092 1.0
# CNT_ATM 0.78 -0.05 0.19 0.65 0.3481 1.1
# CNT_POS 0.84  0.10 0.04 0.71 0.2871 1.0
# CNT_CSC 0.16  0.11 0.98 0.99 0.0113 1.1
# 
#                        RC1  RC2  RC3
# SS loadings           1.34 1.00 1.00
# Proportion Var        0.34 0.25 0.25
# Cumulative Var        0.34 0.59 0.84
# Proportion Explained  0.40 0.30 0.30
# Cumulative Proportion 0.40 0.70 1.00
# 
# Mean item complexity =  1.1
# Test of the hypothesis that 3 components are sufficient.
# 
# The root mean square of the residuals (RMSR) is  0.14 
#  with the empirical chi square  22611.62  with prob <  NA 
# 
# Fit based upon off diagonal values = 0.6

#变量聚类
#orgData<-orgData[,2:5]
names(orgData)
orgData<-orgData[,2:5]
#install.packages("ClustOfVar")
library(ClustOfVar)
tree<-hclustvar(orgData)
plot(tree)

#choice of the number of clusters
stability(tree,B=40)
part<-cutreevar(tree,3,matsim=T)
#print(part)
summary(part)
part$var
part$sim
head(part$scores)
test<-cbind(orgData[,3:4],part$scores)
cor(test)
#选择的最优变量：与自己组cluster越相关越好，与别的组cluster越不想关越好
cnt_wei_1_R2<-(1-0.98*0.98)/(1-0.51*0.51)#所以选择cnt_wei_1_R2
cnt_web_1_R2<-(1-0.98*0.98)/(1-0.739*0.739)

以下是数据~~~~~~~~~~

ID	cnt_call	cnt_msg	cnt_wei	cnt_web
1964627	46	90	36	31
3107769	53	2	0	2
3686296	28	24	5	8
3961002	9	2	0	4
4174839	145	2	0	1
5068087	186	4	3	1
5574319	34	34	31	16
5733390	61	3	0	2
6148334	87	14	14	7
6190226	103	2	0	2
6794044	22	2	0	1
8806327	58	2	0	1
9337857	56	30	45	22
9545675	106	2	0	2
12830089	54	5	0	2
13088420	28	9	30	12
13830644	110	54	28	22
14321378	89	50	31	22
17432437	13	9	1	2
18297289	28	40	21	14
18633203	3	2	0	0
19006275	90	30	10	9
19501849	57	2	0	1
22213441	75	34	46	23
23746234	15	13	7	7
24574017	144	33	90	37
31203185	84	8	1	2
33523674	79	16	7	6
38470850	144	2	0	2
40524929	12	10	1	2
42571470	14	2	0	2
44444171	60	2	0	1
44733230	10	5	0	3
46056236	59	5	12	4
49342221	163	19	4	5
49853771	56	42	11	13
51873745	45	2	0	1
54493626	40	2	0	1
56918870	92	34	8	10
57335986	41	5	0	2
59319033	19	11	2	3
64837074	7	2	0	0
66008620	111	19	41	18
67695886	80	2	0	0
70393919	48	52	22	18
71533065	110	14	6	6
71601391	50	7	1	1
76205684	89	2	0	1
76856670	50	20	4	5
80175682	33	2	0	0
80532151	45	34	40	21
81616872	14	2	0	0
82578429	68	2	0	3
83350197	30	42	17	14
83644879	328	2	0	1
85307522	9	23	5	9
87241863	58	88	55	35
87469631	135	21	5	7
89616802	190	16	53	21
90120796	33	2	23	8
92749578	44	10	30	12
93567222	36	4	14	5
95011593	79	2	6	2
96766333	13	2	0	0
98409940	124	9	1	4
98988350	14	2	0	0
100050907	57	2	0	1
101124040	63	5	0	2
104011739	43	37	10	9
105023634	39	2	0	0
105080681	13	4	0	1
105103356	23	14	15	10
107977170	110	32	8	8
108669317	7	29	14	10
115103248	65	2	0	0
118563063	101	25	30	17
119043769	144	2	0	1
119597006	75	2	0	0
120129156	46	23	13	10
121518058	70	2	0	1
122042785	133	19	105	39
125419152	4	6	0	4
128254222	10	2	0	0
128326127	8	6	0	3
129176318	120	2	0	2
130055921	12	2	0	2
130078026	81	2	8	4
136274207	7	11	2	5
136322860	174	21	5	8
137042222	286	2	0	0
138730564	116	30	19	10
140385122	24	20	4	7
140463210	25	7	1	4
142437323	38	29	29	16
143920827	45	18	12	8
147221477	16	6	0	2
148303754	40	7	8	4
151423050	49	34	9	9
152309015	17	9	48	18
153564854	152	24	5	8
154501820	259	21	5	6
155357211	38	2	0	1
156868289	69	6	53	19
157261209	165	17	3	4
157775478	7	4	0	0
162645333	47	25	6	7
162886701	56	15	3	5
163529785	85	16	4	5
164763253	79	2	0	4
165804830	10	3	0	0
168754193	20	5	0	2
168764830	61	37	57	26
168840229	137	24	75	31
169886881	24	30	94	39
170126716	176	40	11	13
170871624	30	16	36	14
171753874	39	2	35	13
175386308	7	11	2	6
176105780	16	2	0	2
176376649	60	115	159	77
177129638	9	12	4	5
177710649	105	10	2	3
178008696	36	15	4	5
178468702	6	2	0	1
181051663	28	15	4	4
182141494	13	2	0	0
185172771	14	28	22	12
187902501	52	2	0	1
189628669	98	37	31	18
190351908	119	2	0	1
191185562	98	2	0	1
191244383	74	45	12	13
192635000	11	5	0	2
192646586	15	2	0	1
192687201	10	10	2	2
193272768	24	25	18	10
193419148	62	26	50	23
193450876	18	2	0	1
193772712	107	3	0	3
198425150	15	11	2	4
198477840	81	2	0	0
198659389	140	2	0	1
199251899	147	44	12	12
202657878	17	2	0	0
203042801	47	2	12	5
204368269	40	74	19	20
204765109	47	2	0	2
206703691	62	12	2	3
206889690	49	2	0	1
211761132	50	2	0	0
215449998	4	5	0	1
217335228	121	11	13	9
218022716	70	55	19	17
218216440	34	43	25	15
218251830	30	12	2	3
220242626	63	7	1	1
221362115	7	10	2	3
224253857	72	31	36	19
224500170	41	44	46	24
225095226	12	2	0	0
226461814	51	27	18	12
227798415	58	20	5	7
229325525	28	2	0	2
229499324	20	2	0	1
229677653	118	24	7	6
231038265	110	24	54	23
232278654	14	23	5	8
232830575	46	11	2	2
233994349	11	2	0	0
234322379	93	14	7	4
234605761	38	7	2	3
235629625	47	27	55	23
235698973	5	4	0	2
238134152	33	20	7	7
239169161	77	11	19	8
240288690	31	2	0	1
240762769	36	17	23	12
242498032	113	74	60	34
243525808	47	52	58	29
243531708	135	7	73	25
244879228	148	27	17	13
246056082	210	2	0	1
250384566	166	50	77	36
251764291	83	34	17	14
251810754	66	39	27	18
252853220	35	29	7	8
254353144	36	14	8	4
257225967	150	2	0	2
261742482	67	2	0	0
264225572	5	2	0	1
264455199	30	73	19	20
270648342	57	33	14	11
271215695	58	43	41	22
271218445	56	31	48	22
273711983	46	2	0	2
275008090	143	40	148	58
276726625	167	8	57	20
277283908	73	28	102	41
282983900	152	23	30	15
284897498	133	25	6	10
286319548	85	3	0	1
289503865	171	14	10	8
292721037	13	3	0	1
294943851	7	2	0	2
295884239	123	28	11	11
295940261	70	25	6	7
297994041	49	20	4	5
304076405	729	10	2	2
308167734	7	2	0	1
310001595	52	2	0	1
311092829	54	8	7	5
313475031	81	12	12	7
314932328	12	10	2	3
315970539	15	18	4	6
317030510	25	34	8	9
322758859	103	4	44	16
324687072	101	5	0	3
325877779	17	51	13	14
326634395	66	15	20	11
327575126	16	2	0	0
330265163	21	35	122	47
330265949	70	46	11	12
333203708	68	18	51	20
336836057	144	30	7	8
340569949	34	72	34	27
343108714	48	6	61	23
344319344	35	44	30	19
345444952	100	2	0	1
345720692	213	2	0	2
346020003	68	2	0	2
347613964	32	9	8	4
348882956	32	11	21	12
349213426	11	2	0	1
350548517	97	31	20	14
350665021	20	6	0	1
351078587	16	3	0	2
351312836	68	12	2	3
354698510	92	10	2	3
354716830	157	34	11	9
354792280	55	26	50	20
356459709	10	2	0	0
357111303	20	19	91	34
358162030	251	23	5	7
360666444	32	2	0	0
361871527	120	11	2	2
362874964	105	30	9	10
365146902	15	2	0	0
365860229	28	2	0	2
367173963	84	28	40	20
375688431	78	31	26	16
376505122	35	40	11	10
376692017	102	29	20	12
377766421	73	22	38	19
378472849	129	2	0	1
383242049	9	28	6	9
384492406	179	7	18	6
384891198	4	3	0	0
385805472	29	2	0	0
387948195	118	10	12	8
392984608	103	31	17	11
393764674	11	40	10	13
394287936	87	13	3	5
395892189	130	54	133	54
396279836	119	29	8	8
399877282	94	8	2	2
401379469	122	18	31	13
402449552	80	42	92	38
402717068	11	50	30	20
402780161	46	2	0	1
403294078	65	42	10	13
403805130	77	2	0	0
406201146	19	10	2	6
410070392	49	40	14	11
411510105	11	2	0	1
413373958	16	2	0	1
417232208	335	2	0	2
418274123	92	60	15	17
419810729	115	32	45	21
423858722	119	50	49	26
430353698	49	23	10	8
430790027	155	2	0	2
435087249	100	18	35	14
435910345	15	22	5	7
438426230	22	2	0	0
438910180	39	3	0	2
442577005	98	76	20	22
444222959	12	2	0	0
445028776	14	2	0	2
447043685	37	19	4	5
452867822	42	2	0	1
455085174	65	2	0	2
455924458	13	2	0	0
456059645	124	46	11	13
458629065	84	2	0	1
458642206	18	2	0	0
462779857	86	2	0	2
467902384	76	26	28	15
468498662	44	60	44	26
468708662	39	92	75	43
470437598	19	23	8	7
470781859	21	12	7	3
471636216	104	15	4	6
472408093	48	2	0	0
474198174	39	24	7	9
476597091	299	2	0	1
477657737	18	2	0	1
477873550	39	80	31	24
477922043	100	2	0	0
478906375	71	50	25	19
479197700	77	2	2	2
479401506	56	20	4	5
479552306	38	22	11	8
480257379	17	8	1	0
482466956	13	2	0	1
482811141	23	23	16	11
483118700	63	9	22	9
483738000	48	44	36	20
483982930	21	42	10	11
486255587	59	10	1	4
488916278	43	7	3	3
489523596	10	2	0	0
489651183	51	19	11	8
489920977	13	2	0	2
490710942	90	9	1	3
491389162	133	2	0	1
492595299	38	15	20	9
493652994	376	25	49	20
493735234	158	19	76	31
494809813	33	29	7	9
495722705	13	2	0	2
497007887	66	42	46	24
497462799	98	29	7	8
497767311	45	34	10	11
497776544	35	2	0	1
502423820	21	4	0	2
505129228	34	28	6	7
505681500	74	7	5	3
509749667	47	13	2	4
519925068	160	40	11	13
520541916	105	17	3	4
523082179	43	2	0	2
523390654	61	12	9	7
524655821	486	37	45	24
524713690	11	19	16	10
527976247	52	10	54	20
529020378	22	2	0	2
532125100	25	13	27	13
532411315	28	58	162	66
535123721	59	19	4	5
535721744	20	20	51	21
535922130	135	19	4	7
536556002	45	10	1	5
536664276	96	49	12	15
539593685	69	47	12	15
540291272	51	2	0	2
543674226	156	10	1	5
543746587	38	2	1	3
545009339	101	26	22	12
545234790	152	2	0	2
547802603	13	18	4	4
548056973	61	4	0	0
552062896	11	3	0	1
552369098	40	2	0	1
554317772	2	3	0	1
554324963	13	9	1	3
555379264	10	2	0	1
555552154	49	34	51	24
558036968	181	45	55	27
558306285	12	2	0	1
559638324	13	14	14	7
561003868	10	20	7	7
563161555	213	2	0	2
566719682	67	19	16	10
568531799	99	2	0	2
569695490	43	10	1	2
569877596	43	12	11	7
571867042	34	7	1	2
571976021	48	2	0	2
574205255	35	32	19	14
575994348	48	3	9	5
577313418	10	2	0	0
578412313	11	27	6	8
579031491	55	26	50	23
579973017	14	6	0	4
580981235	82	2	0	0
581773639	24	56	14	13
583123681	141	9	1	1
584807224	69	20	158	58
587609179	106	16	3	5
589507892	121	10	3	3
591362700	52	8	10	6
591577054	36	2	0	0
592430068	49	25	30	14
593201235	46	16	7	6
593264201	58	12	14	8
596244596	39	28	62	25
598138224	143	21	8	7
598883375	58	63	46	28
600250936	23	34	8	9
600913566	93	40	17	16
601784559	88	10	38	14
602281615	81	2	0	2
604350016	10	2	0	1
611798503	15	2	0	2
614200055	42	12	2	4
615270207	34	63	30	22
617553313	68	2	0	0
619192689	91	4	0	0
620105739	67	4	0	0
621715163	77	2	0	3
625142619	72	32	8	9
626475754	13	2	0	1
627404797	20	2	0	1
629042564	63	13	35	15
629547279	4	6	0	0
630012022	82	2	21	9
630255521	12	2	0	2
634066419	31	19	4	7
634439388	43	14	4	4
635277388	64	29	17	10
635688238	19	108	42	34
635881317	47	2	0	0
636890074	18	7	1	2
639051396	77	25	10	8
639964508	62	32	9	8
640337161	55	30	28	15
641265316	79	2	0	0
641677722	7	10	1	3
642636074	39	53	22	18
644021697	3	2	0	2
644796571	100	50	33	21
645586747	16	14	4	4
645794972	165	35	94	38
646561461	36	11	3	5
659900820	113	7	1	2
660194097	25	22	15	10
660604731	10	3	0	0
661877968	30	63	16	17
662977430	127	2	0	0
664579271	173	2	0	1
666676324	402	2	0	0
666756456	78	95	52	36
666761558	209	25	8	9
671053761	88	22	9	8
671845060	9	8	1	3
674932407	62	22	38	16
676426784	39	16	74	29
676467048	110	32	31	18
676509327	15	5	0	1
678947954	64	37	13	10
682126197	11	20	4	6
684888661	83	2	0	0
685022257	129	15	3	4
685376162	69	2	0	1
685798745	43	20	18	10
686969673	16	2	0	0
688647604	11	2	0	1
689084566	15	5	0	2
692402551	56	25	10	8
694380312	48	20	32	14
696932273	43	17	6	7
697539758	58	58	53	28
698082185	36	26	7	8
699582886	83	9	1	3
702031302	10	26	6	6
702435137	70	27	6	8
703124286	19	68	17	19
704600057	78	52	149	59
705396948	83	2	0	3
706020739	54	10	3	3
710384631	27	2	0	0
712451029	13	2	0	0
713738344	58	73	20	20
714552701	21	2	0	0
714775856	12	8	3	5
714797559	88	15	28	11
714955919	86	20	34	16
715277139	89	2	0	0
718259860	9	40	23	15
718955394	86	31	56	27
719473522	21	2	0	1
722896108	55	7	5	2
723864727	184	2	0	0
724228916	61	44	54	27
727393472	29	22	20	10
729115343	69	24	30	17
733122336	23	49	12	13
737289482	11	2	0	1
737355159	78	6	0	3
738494206	35	2	0	0
741931256	23	2	0	2
742103587	4	39	11	11
744625870	106	3	1	2
745257584	28	28	6	8
747018468	31	16	6	5
750405765	78	13	24	10
750876578	122	24	70	29
751081613	125	2	0	0
753744433	68	10	7	6

相关文章

QQ ZHOU：从零开始入门R语言-软件下载及安装​zhuanlan.zhihu.com
QQ ZHOU：从零开始入门R语言—Rstudio下载与安装​zhuanlan.zhihu.com
QQ ZHOU：从0开始入门R语言—DataFrame及聚类算法​zhuanlan.zhihu.com
8e8b46d5b5b050abe5fe97d0baba98af.png
QQ ZHOU：从0开始入门R语言—决策树之C5.0​zhuanlan.zhihu.com
55cd3fd5a8885c15c09dff47ce79c56a.png
QQ ZHOU：R语言实现推荐算法—基于用户协同过滤​zhuanlan.zhihu.com
041c537abc56ddf7690ef35fb42c8211.png
weixin_39720865
关注
  • 0
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
R语言如何实现主成分分析（PCA），最全详细教材
从事脑科学核磁共振方法学研究，在Nature communications等权威期刊发表研究论文，熟练掌握磁共振处理方法和统计学方法，欢迎大家和我交流。
04-05 4万+
R语言也有“一步到位”的函数，如prcomp()和princomp()，基本上都是输入数据直接出结果。为了理解PCA的原理，我们利用自编函数的方法进行学习。 主成分分析详解主成分分析过程分解1.数据标准化2.计算相关系数（协方差）矩阵3.求解特征值和相应的特征向量4.计算主成分得分5.绘制主成分散点图6 自编函数实现PCA总代码使用现成函数完成主成分分析1.prcomp()函数2.princomp()函数3.PCA结果可视化 主成分分析过程分解 1.数据标准化 为了统一数据的量纲并对数据进行中心化，在主成
主成分分析(PCA)入门
01-23
主成分分析(PCA)入门
基于R语言的主成分分析（附代码）
m0_62929945的博客
05-20 8849
主成分分析也成为主分量分析，在实际问题中变量之间可能存在一定的相关性。因此若可以使用个数较少但是保留了原始变量大部分信息的几个不相关的综合变量来代替原来的较多变量，就能简化数据，从而对原来复杂的数据关系进行简明有效的统计分析。其本质是“有效降维”，既要减少变量个数，又不能损失太多信息。当一个变量住区一两个数据时提供的信息非常有限，变量的变异性越大，说明它提供的信息量越。主成分分析中的信息，就是变量的变异性，用标准差或者方差来表示。
如何利用R包进行主成分分析和可视化
最新发布
hgz2020的博客
05-15 1265
PCA
R语言与主成分分析
初
01-04 5万+
1.概念介绍        主成分分析是一种降维技术，简单的说就是将数据中的多个变量，化为几个主要的变量反映原本数据中的绝大部分信息。        在工作中，我们常常遇到一些多维数据(即一组数据中存在多个变量、属性，或者说需要用多个变量、字段、属性去表示一组数据)。明显，数据中用到的维度越少，越便于我们的工作和研究。所以这时，我们就需要用到主成分分析，将原本多维的数据变化为低维数据。
基于R语言的主成分分析
m0_56444893的博客
10-19 1万+
目录 1.主成分分析步骤 2.常用函数 1.princomp函数 2.summary函数 3.loadings函数 4.predict函数 5.screeplot函数 3.代码实现 1.主成分分析步骤 （1）将数据标准化 （2）求样本的相关系数矩阵R （3）求R的特征值以及特征向量 （4）按主成分累计贡献率超过85%来确定主成分的个数K，并写出主成分表达式 （5）对分析结果做统计意义和实际意义的解释 2.常用函数 1.princomp函数 用于计算相关矩阵R做主成分
R语言 主成分分析
转玄子因的博客
01-03 2万+
（1）主成分分析的基本思想和性质： ···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。在保留原始变量尽可能多的信息的前提下达到降维的目的，从而简化问题的复杂性并抓住问题的主要矛盾。 一般来说，利用主成分分析得到的主成分与原始变量之间有如下基本关系： ①每...
R语言教程&R语言数据分析教程&案例.zip
01-28
此外，它还将涉及更高级的主题，如主成分分析（PCA）和聚类分析。这些工具可以帮助你探索数据的内在关系，发现模式，并进行预测。 R语言的强大在于其丰富的包生态系统。教程中可能会提到一些常用的数据分析包，如`...
数据挖掘入门到精通_R语言(学途无忧)课程PPT和代码.zip
02-11
总的来说，这个“数据挖掘入门到精通_R语言(学途无忧)课程”旨在提供一个全面的框架，让学习者能够从零基础开始，通过理论讲解和实战练习，最终能够独立完成数据挖掘项目。通过学习，你将具备处理大数据、发现潜在...
主成分分析PCA算法PPT及其相应代码 覃秉丰.rar
12-04
**主成分分析PCA算法** 主成分分析（Principal Component Analysis，简称PCA）是一种常见的数据分析方法，用于数据降维和特征提取。在机器学习领域，PCA常用于处理高维度数据，通过线性变换将原始数据转换为一组各...
PCA主成分分析原理及应用
10-10
PCA主成分分析原理及应用,pca入门的极好的教程，内容介绍比较详细
【R语言】主成分分析
weixin_46155316的博客
06-28 2308
●　使用Cattell碎石图进行判断，碎石图绘制了特征值与主成分数量，这类图可以清晰地展示特征值与主成分个数之间的关系，图形变化最大之前的主成分都可以保留。●　平行分析法，其原理是模拟一个与原数据集相同大小的矩阵来判断提取的特征值，若真实的某个特征值大于随机数据矩阵的平均特征值，则可以保留。结果得到了所有的主成分，然后根据之前判断的主成分个数，选取相应的主成分，即可得到所需的结果。此外，通过仅对所有主成分的子集进行回归，主成分分析可以显著降低基础模型的参数数量。碎石图的结果给出了3种准则的评判结果。
[R语言] R语言PCA分析教程 Principal Component Methods in R
热门推荐
You and Me
07-31 5万+
R语言PCA分析教程 Principal Component Methods in R 主成分分析Principal Component Methods（PCA）允许我们总结和可视化包含由多个相互关联的定量变量描述的个体/观察的数据集中的信息。每个变量都可以视为不同的维度。如果数据集中包含3个以上的变量，那么可视化多维超空间可能非常困难。 主成分分析用于从多变量数据表中提取重要信息，并将此信息表示...
R(rstudio)语言主成分分析
ღ᭄ꦿℒℴѵℯ青城এ⁵²º的博客
12-24 1806
1.读取数据 > data <- read.csv("主成分分析数据.csv") > View(data) > View(data) > head(data) 2.数据标准化 > data1 <- data[,2:10] > head(data1) > data2<- prcomp(data1,scale =TRUE ) > View(data2) > data2 3.均值 > data2
主成分分析R语言实现
shine4869的博客
04-21 3万+
R语言主成分分析实现
R语言学习笔记——高级篇：第十四章-主成分分析和因子分析
qq_45794091的博客
12-18 3812
详细介绍了主成分分析（PCA）和因子分析（EFA）的流程。 1、判断主成分（因子）的个数 2、提取主成分（因子） 3、主成分（因子）旋转 4、获取主成分（因子）得分
基于R语言主成分分析
dege857的博客
01-05 4224
在科学研究中，经常需要从同一个体（或观测单位）上观测多个指标，这些指标从不同方面反映个体的性质。主成分分析方法为无监督机器学习的一种方法，是通过线性降维将多个定量指标转换为少数几个综合指标的一种统计分析方法。 假设对于某个问题的研究涉及到P个指标，分别用Xl，X2….XP，表示，这个指标构成的P维随机向量设为X1-XP，对X进行线性变换，可以通过线性组合的方式形成新的综合变量这里用C表示：新的综合变量和原来变量之间的关系可以用下面的 公式表示： 上式中的线性组合可以是任意的，由不同的线性变换得到的综合变量
R语言进行主成分分析
Mrrunsen的博客
07-30 647
在实际应用中，可以根据具体的需求和数据特点来调整主成分分析的参数和结果展示方式。主成分分析是一个非常有用的数据降维方法，可以帮助我们减少数据的维度，并更好地理解数据的结构和特征。函数来进行主成分分析（Principal Component Analysis，PCA）。主成分分析是一种降维技术，用于将多维数据投影到低维空间中，以便更好地理解数据的结构和特征。函数会输出主成分分析的结果，包括主成分的方差解释比例、主成分的贡献度、特征值等信息。函数会绘制一个双标图，其中显示了原始数据和主成分在降维空间中的投影。
主成分分析法
weixin_33901926的博客
04-16 1178
主成份分析： 主成份分析是最经典的基于线性分类的分类系统。这个分类系统的最大特点就是利用线性拟合的思路把分布在多个维度的高维数据投射到几个轴上。如果每个样本只有两个数据变量，这种拟合就是 其中和分别是样本的两个变量，而和则被称为loading,计算出的P值就被称为主成份。实际上，当一个样本只有两个变量的时候，主成份分析本质上就是做一个线性回...
数据分析与挖掘技术之R语言实战 第1课-R语言要点详解 数据结构概述 共19页.pdf
12-05
11. 数据降维：通过主成分分析（PCA）和因子分析，减少数据的维度，同时保持大部分信息。 12. 关联规则：学习如何发现数据中不同项集之间的频繁模式，如市场篮子分析。 13. 决策树：介绍决策树算法，用于分类和...

“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