吴伟主成分课件.pptVIP

第一组： 吴伟、李璇、朱璇 主成分分析法(MATLAB应用) 应用matlab进行主成分分析 pca步骤简介 1 相关函数简介 2 案例分析 3 数据分析 4 主成分分析简介 主成分分析（principal component analysis，简称PCA) 是在处理数据时，在保留绝大多数信息的条件下将多个变量综合为几个主要变量，进而在新的综合变量基础上，对数据进一步的分析解释及推断的一种方法。 pca步骤 第一步：对原始数据进行标准化处理； 第二步：计算标准化后数据数组协方差矩阵或相关矩阵； 第三步：求协方差矩阵的特征值和相应的特征向量； 第四步：计算主成份贡献率及累计贡献率； 第五步：依据方差贡献率选取主成份； 第六步：计算主成份得分； 第七步：结论解释与推断。 相关函数简介 std(x) %求矩阵x的标准差； zscore(x) %对矩阵x进行标准化； cov(x) %求矩阵x的协方差矩阵； corrcoef(x) %求矩阵x的相关系数矩阵； [coeff,latent,explained]=pcacov(x) %对x进行主成分分析； sum(x) %对向量x求和； cumsum(x) %表示x向量不同维数的累加和，x向量中第m行的元素是A中第1行到第m行的所有元素累加和。 相关函数介绍 pcacov函数介绍： 格式 : [coeff，latent，explained]=pcacov(x) coeff表示各个主成分的系数； latent表示矩阵特征值； explained：每个特征向量表征在观测量总方差中所占的百分数也就是各个主成分的贡献率。 一：标准化数据 stddata=zscore(x); 二：求协方差矩阵或相关系数矩阵 covtrix=cov(stddata)或 cortrix=corrcoef(stddata) 三：求矩阵特征值和相应的特征向量 [coeff,latent,explained]=pcacov(covtrix)或[coeff,latent,explained]=pcacov(cortrix) matlab主成分分析步骤 四：计算主成份贡献率及累计贡献率 步骤三中pcacov函数中返回的explained即主成分贡献率； 累积贡献率： per=100*cumsum(latent)./sum(latent) 五：选取主成分 六：计算各主成份得分 score=stddata*coeff 七：结论解释与推断 案例分析 我们对江苏省十个城市的生态环境状况进行了调查，得到生态环境指标的指数值，见表1。现对生态环境水平分析和评价。 案例分析 在matlab中输入观察数据： x =[ 0.7883 0.7633 0.4745 0.8246 0.8791 0.9538 0.8785 0.6305 0.8928 0.7391 0.7287 0.5126 0.7603 0.8736 0.9257 0.8542 0.6187 0.7831 0.8111 0.7629 0.8810 0.6888 0.8183 0.9285 0.8537 0.6313 0.5608 0.6587 0.8552 0.8903 0.8977 0.9446 0.9434 0.9027 0.7415 0.8419 0.6543 0.7564 0.8288 0.7926 0.9202 0.9154 0.8729 0.6398 0.8464 0.8259 0.7455 0.7850 0.7856 0.9263