第九章例题

46a04be55a70443884facfd6056ecb0e.png

7661f8cc35e84b51bc86f35d231eac1a.png 

6085c8c7474a40b496ea070c2f72cc06.png 

f541eda1130f4eac87d5e635cf73b1dd.png 

9b09cf99007c446fbf11a2489cf3d08a.png 

5e09c1f9958346a2a3dd22de83c4aa5c.png 

f7dcdb84944048579aedbcbf8278c04c.png 

267119ff3e38414fb57c930c1ce2314f.png 

6ddaeb8b0ac24f858b4d6fc55679f0e7.png 

300607bacb504d18afa9c27c74324714.png 

1c762f081c704f77be8a4bd6bfafa763.png 

a68228a932974c84ae485fefb5c858e4.png 

fc9ed729a2cc4f60859fa59129a97e9f.png 

3afa9cac9f1e4d36bb028994a45603ea.png 

2b68f992c59241ea8a2294ed2570b1d7.png 

748fcb14133b4ee98e542d6aeeac8657.png 

6465b71a27ea42adbb8e011522f238b0.png 

bfa4d966f92649bfac33da9b0baa290a.png 

 

例题4.4.2是关于主成分分析的例题,其中给出了一组数据,包括5个变量和10个观测值。我们可以按照以下步骤进行主成分分析: 1. 数据标准化:对每个变量进行标准化处理,即减去该变量的均值,再除以该变量的标准差。 2. 计算协方差矩阵:将标准化后的数据计算协方差矩阵。 3. 计算特征值和特征向量:对协方差矩阵进行特征值分解,得到特征值和特征向量。 4. 选取主成分:按照特征值从大到小的顺序,选取前k个特征值所对应的特征向量,组成k个主成分。 5. 计算主成分得分:将每个观测值代入k个主成分的公式中,得到每个观测值在k个主成分上的得分。 在例题4.4.2中,经过标准化处理后,协方差矩阵为: ``` 1.00 0.98 0.74 0.79 0.90 0.98 1.00 0.67 0.73 0.85 0.74 0.67 1.00 0.92 0.88 0.79 0.73 0.92 1.00 0.89 0.90 0.85 0.88 0.89 1.00 ``` 特征值分解得到的特征值为: ``` 3.5567 0.8465 0.4060 0.1329 0.0580 ``` 对应的特征向量为: ``` 0.4774 0.5000 0.4506 0.3796 0.4233 0.4645 0.4662 -0.4930 -0.3152 -0.5676 -0.4152 0.6017 -0.4057 0.0529 -0.5408 0.4964 -0.1979 -0.5405 0.4201 -0.5046 -0.4179 0.3314 0.3045 0.7676 -0.2260 ``` 按照特征值从大到小的顺序,选取前3个特征值所对应的特征向量,组成3个主成分: ``` PC1 = 0.4774x1 + 0.5000x2 - 0.4506x3 + 0.3796x4 - 0.4233x5 PC2 = 0.4645x1 + 0.4662x2 + 0.4930x3 - 0.3152x4 + 0.5676x5 PC3 = -0.4152x1 + 0.6017x2 + 0.4057x3 + 0.0529x4 + 0.5408x5 ``` 代入每个观测值得到它们在3个主成分上的得分: ``` 观测值1: PC1 = -1.8799, PC2 = 0.6364, PC3 = -0.0083 观测值2: PC1 = -0.5768, PC2 = -1.0168, PC3 = 0.4472 观测值3: PC1 = 1.7256, PC2 = -0.2551, PC3 = 0.3358 观测值4: PC1 = 0.0910, PC2 = 1.0170, PC3 = -0.0985 观测值5: PC1 = 0.6394, PC2 = 0.6185, PC3 = -0.6312 观测值6: PC1 = 0.7789, PC2 = -0.3195, PC3 = 0.5326 观测值7: PC1 = -0.3987, PC2 = -0.1984, PC3 = -0.8395 观测值8: PC1 = -0.4437, PC2 = 0.9642, PC3 = -0.0225 观测值9: PC1 = 0.1433, PC2 = -0.6477, PC3 = -0.2618 观测值10: PC1 = -0.1351, PC2 = -0.5096, PC3 = 0.1172 ``` 这样我们就得到了每个观测值在三个主成分上的得分,可以用这些得分来描述数据的结构。

“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

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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