主成分分析(principal components analysis,简称PCA)是一种降维分析,将多个指标转换为少数几个综合指标,由霍特林于1933年首先提出。
主成分分析方法之所以能够降维,本质是因为原始变量之间存在着较强的相关性,如果原始变量之间的相关性较弱,则主成分分析不能起到很好的降维效果,所以进行主成分分析前最好先进行相关性分析。
一个例子
中心城市的综合发展是带动周边地区经济发展的重要动力。因而,分析评价全国35个中心城市的综合发展水平,无论是对城市自身的发展,还是对周边地区的进步,都具有十分重要的意义。
原始数据及指标解释。我们选取了反映城市综合发展水平的12个指标,其中包括8个社会经济指标,分别为:—非农业人口数(万人);—工业总产值(万元);—货运总量(万吨);—批发零售住宿餐饮业从业人数(万人);—地方政府预算内收入(万元);—城乡居民年底储蓄余额(万元);—在岗职工人数(万人);—在岗职工工资总额(万元)。
4个城市公共设施水平的指标:—人均居住面积(平方米);—每万人拥有公共汽车数(辆);—人均拥有铺装道路面积(平方米);—人均公共绿地面积(平方米)。
问题:请使用主成分分析,将这12个指标综合为少出几个综合指标。
![d7ae05673c4a154927a75cef5369a10a.png](https://img-blog.csdnimg.cn/img_convert/d7ae05673c4a154927a75cef5369a10a.png)
在开始解决这个问题之前,有必要先了解一下主成分分析的基本原理及其求解方法。
主成分分析基本原理
1、几何意义
如下图所示,平面上散落着N个点,无论是沿x1轴方向,还是沿x2轴方向,均有较大的离散性,即这些点所代表