权重确定方法四：主成分分析法确定权重（PCA）

最新推荐文章于 2022-05-09 15:12:51 发布

离陌lm

最新推荐文章于 2022-05-09 15:12:51 发布

阅读量2.2w

点赞数 24

分类专栏：数学建模文章标签： java 美国大学生数学建模竞赛数学建模数据分析

本文链接：https://blog.csdn.net/weixin_53972936/article/details/123310662

版权

数学建模专栏收录该内容

9 篇文章 117 订阅

订阅专栏

我想在列车里和你相爱

阳光流淌

都漫过我们的灵魂尽头

然后看着人间

安静的盛开在一扇窗里

1.原理介绍

在阅读本文前建议先阅读上一篇文章 “数据降维：主成分分析法（PCA）”，因为在本文中需要用到部分数据降维中的数据。

用主成分分析确定权重有：指标权重等于以主成分的方差贡献率为权重，对该指标在各主成分线性组合中的系数的加权平均的归一化。

因此，要确定指标权重需要知道三点：

A.指标在各主成分线性组合中的系数

B.主成分的方差贡献率

C.指标权重的归一化

通过前文利用主成分分析对数据降维我们可以得到以下数据：

A.前p个主成分的特征值以及对应的特征向量

B.前p个主成分特征值各自的方差贡献率

2.步骤详解

2.1 确定指标在各主成分线性组合中的系数

假设现有一组数据，有n个指标，m条待评价对象。

用主成分分析法可以的到前p个主成分以及其对应的特征值 $\alpha$ 和特征向量 $\beta$ 。

则每个主成分中对应指标的系数为：

每个主成分都可以用如下的线性组合表示：

2.2 利用主成分的方差贡献率确定综合得分模型系数

记前p个主成分特征值的方差贡献率为 $\varphi$ ，综合得分模型系数为 $\gamma$ （ $\gamma$ 对应每个指标的综合系数），则：

则，得到综合得分模型为：

2.3 指标权重归一化

3. 案例分析

3.1 数据获取

本文所用数据均为上文数据降维：主成分分析法（PCA）所计算结果：

	p1	p2	p3	p4	p5	p6	p7
特征值	2045.737	1273.595	950.6142	821.2534	361.4991	260.859	175.7022
贡献率	34.43%	21.44%	16.00%	13.82%	6.08%	4.39%	2.96%
特征向量	0.414	-0.13	0.041	0.193	-0.125	0.768	0.077
	-0.282	-0.483	0.07	-0.009	-0.733	-0.082	-0.328
	-0.357	0.296	0.454	0.245	-0.109	0.406	-0.181
	-0.264	-0.08	-0.466	0.657	0.303	0.006	-0.404
	-0.539	-0.189	0.259	-0.046	0.22	-0.019	0.373
	0.096	-0.012	-0.455	0.219	-0.402	-0.082	0.46
	0.066	-0.571	0.27	0.396	0.187	-0.058	0.402
	-0.166	0.539	0.07	0.369	-0.312	-0.131	0.355
	0.468	0.059	0.467	0.358	-0.044	-0.459	-0.228

3.2 确定指标在各主成分线性组合中的系数

	//计算每个指标在不同主成分线性组合中的系数
	public double[][] coefficient(double[][] comp){
		double[][] coeff = new double[comp.length-1][comp[0].length];//每列存储每个主成分对应的系数
		var = new double[comp[0].length];
		
		for(int j=0;j<coeff[0].length ;j++) {
		var[j] = comp[0][j];
			for(int i=1;i<coeff.length ;i++) {
				coeff[i-1][j] = comp[i][j]/Math.sqrt(comp[0][j]);
			}
		}

		return coeff;
	}

输出：

3.3 利用主成分的方差贡献率确定综合得分模型系数

	public double[] var_cont(double[][] coefficient) {
		double[] cont = new double[var.length];//每个特征值对应的贡献率
		double[] var_cont = new double[coefficient.length];
		double total = 0;
		double sum = 0;
		System.out.println("请按以下特征值顺序依次输入对应的贡献率！");
		for(int i=0;i<var.length ;i++) {
			System.out.print(var[i]+"     ");
		}
		System.out.println();
		for(int i=0;i<var.length ;i++) {
			cont[i] = input.nextDouble();
		}
		
		for(int i=0;i<coefficient.length ;i++) {
			for(int j=0;j<coefficient[0].length ;j++) {
				sum += coefficient[i][j]*cont[j];
				total += cont[j];
			}
			var_cont[i] = sum/total;
		}
		
		return var_cont;
	}

输出：

3.4 指标权重归一化

在此模块做了一点变动，由于在计算过程中存在负数，导致最后求得的权重也存在负数，所以在此我们找出负数中最小的值，让每一个数都加上该值得绝对值，在进行运算。

	/*归一化权重
	 * varcont:综合得分模型系数
	 */
	
	public double[] unifor(double[] varcont) {
		double sum=0;
		double min=varcont[0];
		for(int i=0;i<varcont.length ;i++) {
			if(varcont[i] < min) {
				min =varcont[i];
			}
		}
		//若果没有负数则不做变动
		if(min >= 0) {
			min = 0;
		}
		for(int i=0;i<varcont.length ;i++) {
			sum += varcont[i]+Math.abs(min);
		}
		for(int i=0;i<varcont.length ;i++) {
			varcont[i] = (varcont[i]+Math.abs(min))/sum;
		}
		
		return varcont;
	}

输出：

4. 完整代码（Java）

package pca_weight;

import java.io.FileInputStream;
import java.io.IOException;
import java.io.InputStream;
import java.util.Scanner;

import jxl.Cell;
import jxl.Sheet;
import jxl.Workbook;
import jxl.read.biff.BiffException;
import jxl.write.WriteException;

/*
 * 输入为成分矩阵，即前m个特征值及其对应的特征向量组成的矩阵
 * 其中第一行为特征值，每列除第一行外其余为该特征值对应的特征向量
 */

public class PCA_weight {
	int rows,cols;
	double[] var;//存储特征值
	
	Scanner input = new Scanner(System.in);
	
	//输出一维矩阵
	public void matrixoutput1(double[] x) {
		for(int i=0;i<x.length;i++) {
			System.out.print(String.format("%.3f\t", x[i]));
		}
		System.out.println();
	}
	
	//输出二维矩阵
	public void matrixoutput(double[][] x) {
		for(int i=0;i<x.length;i++) {
			for(int j=0;j<x[0].length;j++) {
				System.out.print(String.format("%.3f\t", x[i][j]));
			}
			System.out.println();
		}
	}
	
	//读取数据
	public double[][] read(String filepath) throws IOException, BiffException,WriteException {
		//创建输入流
		InputStream stream = new FileInputStream(filepath);
		//获取Excel文件对象
		Workbook  rwb = Workbook.getWorkbook(stream);
		//获取文件的指定工作表 默认的第一个
	    Sheet sheet = rwb.getSheet("Sheet1");
	    rows = sheet.getRows();
	    cols = sheet.getColumns();
	    double[][] componentMartix = new double[rows][cols];//成分矩阵
		//row为行
		for(int i=0;i<sheet.getRows();i++) {
			for(int j=0;j<sheet.getColumns();j++) {
				String[] str = new String[sheet.getColumns()];
		        Cell cell = null;
		        cell = sheet.getCell(j,i);    
			    str[j] = cell.getContents();
			    componentMartix[i][j] = Double.valueOf(str[j]);
			}
	    }
		return componentMartix;//返回原始矩阵
	}
	
	//计算每个指标在不同主成分线性组合中的系数
	public double[][] coefficient(double[][] comp){
		double[][] coeff = new double[comp.length-1][comp[0].length];//每列存储每个主成分对应的系数
		var = new double[comp[0].length];
		
		for(int j=0;j<coeff[0].length ;j++) {
		var[j] = comp[0][j];
			for(int i=1;i<coeff.length ;i++) {
				coeff[i-1][j] = comp[i][j]/Math.sqrt(comp[0][j]);
			}
		}

		return coeff;
	}
	
	public double[] var_cont(double[][] coefficient) {
		double[] cont = new double[var.length];//每个特征值对应的贡献率
		double[] var_cont = new double[coefficient.length];
		double total = 0;
		double sum = 0;
		System.out.println("请按以下特征值顺序依次输入对应的贡献率！");
		for(int i=0;i<var.length ;i++) {
			System.out.print(var[i]+"     ");
		}
		System.out.println();
		for(int i=0;i<var.length ;i++) {
			cont[i] = input.nextDouble();
		}
		
		for(int i=0;i<coefficient.length ;i++) {
			for(int j=0;j<coefficient[0].length ;j++) {
				sum += coefficient[i][j]*cont[j];
				total += cont[j];
			}
			var_cont[i] = sum/total;
		}
		
		return var_cont;
	}
	
	/*归一化权重
	 * varcont:综合得分模型系数
	 */
	
	public double[] unifor(double[] varcont) {
		double sum=0;
		double min=varcont[0];
		for(int i=0;i<varcont.length ;i++) {
			if(varcont[i] < min) {
				min =varcont[i];
			}
		}
		//若果没有负数则不做变动
		if(min >= 0) {
			min = 0;
		}
		for(int i=0;i<varcont.length ;i++) {
			sum += varcont[i]+Math.abs(min);
		}
		for(int i=0;i<varcont.length ;i++) {
			varcont[i] = (varcont[i]+Math.abs(min))/sum;
		}
		
		return varcont;
	}
	
	
	public static void main(String[] args) throws IOException, BiffException, WriteException {
		PCA_weight pw = new PCA_weight();
		System.out.println("原始数据为：");
		double[][] comp = pw.read("pca_weight.xls");
		pw.matrixoutput(comp);
		
		System.out.println("指标在不同主成分线性组合中的系数：");
		double[][] coefficient = pw.coefficient(comp);
		pw.matrixoutput(coefficient);
		
		double[] var_cont = pw.var_cont(coefficient);
		System.out.println("综合得分模型系数：");
		pw.matrixoutput1(var_cont);
		
		System.out.println("每个指标的权重依次为：");
		for(int i=0;i<var_cont.length;i++) {
			System.out.println(pw.unifor(var_cont)[i]);
		}
		
		
	}

}

离陌lm

关注

24
点赞
踩
184

收藏

觉得还不错? 一键收藏
打赏
7
评论
权重确定方法四：主成分分析法确定权重（PCA）

我想在列车里和你相爱阳光流淌都漫过我们的灵魂尽头然后看着人间安静的盛开在一扇窗里目录1.原理介绍2.步骤详解2.1 确定指标在各主成分线性组合中的系数2.2 利用主成分的方差贡献率确定综合得分模型系数2.3 指标权重归一化3. 案例分析3.1 数据获取3.2 确定指标在各主成分线性组合中的系数3.3 利用主成分的方差贡献率确定综合得分模型系数3.4 指标权重归一化4. 完整代码（Java）1.原理介绍在阅读本...
复制链接

扫一扫