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
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 和特征向量
。
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,综合得分模型系数为
(
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]);
}
}
}