主成分分析法
- 主成分分析法的评价步骤
- 自行封装函数
- 参考文献
主成分分析法的评价步骤
1、对原始数据进行标准化处理。将各指标值转化为标准化指标:
其中:
即为第个指标的样本均值和样本标准差。对应地,称:
为标准化指标变量。
2、计算相关系数矩阵。相关系数矩阵,有:
其中,,是第个指标与第个指标的相关系数。
3、计算特征值和特征向量。计算相关系数矩阵的特征值,及对应的标准化特征向量,其中,由特征向量组成5个新的指标变量:
其中,是第一主成分,是第二主成分,…,是第五主成分。
4、选择个主成分,计算综合评价值。
(1)计算特征值的信息贡献率和累积贡献率。称为:
为主成分的信息贡献率,而且称:
为主成分的累积贡献率。当接近于1(时,则选择前个指标变量作为个主成分,代替原来的5个指标变量,从而可对个主成分进行综合分析。
(2)计算综合得分:
其中,为第个主成分的信息贡献率,根据综合得分值就可进行评价。
自行封装函数
1、该函数需要使用者自行定义想要选取的主成分的个数,但选择主成分个数时受到人的主观意愿影响较强。
function [stf,ind] = main_element_analyzing(gj,num)
% main_element_analyzing 该函数用于进行主成分分析
% 输入的gj矩阵要求每一列代表评价指标,每一行代表评价对象
% num为选取的主成分的个数
gj=zscore(gj); %数据标准化
r=corrcoef(gj); %计算相关系数矩阵
%下面利用相关系数矩阵进行主成分分析,x的列为r的特征向量,即主成分的系数
[x,~,z]=pcacov(r); %y为r的特征值,z为各个主成分的贡献率
f=repmat(sign(sum(x)),size(x,1),1); %构造与x同维数的元素为±1的矩阵
x=x.*f; %修改特征向量的正负号,每个特征向量乘以所有分量和的符号函数值
% num=3; %num为选取的主成分的个数
df=gj*x(:,[1:num]); %计算各个主成分的得分
tf=df*z(1:num)/100; %计算综合得分
[stf,ind]=sort(tf,'descend'); %把得分按照从高到低的次序排列
stf=stf';
ind=ind';
end
2、该函数需要使用者自行设定选择主成分个数的阈值大小,这样可以使主成分的个数选择更加合理化
function [stf,ind,num] = main_element_analyzing(gj,alpha_p)
% main_element_analyzing 该函数用于进行主成分分析
% 输入的gj矩阵要求每一列代表评价指标,每一行代表评价对象
% num为选取的主成分的个数
% alpha_p为自主设定的、用于选择主成分的阈值大小,注意其单位是百分比
gj=zscore(gj); %数据标准化
r=corrcoef(gj); %计算相关系数矩阵
%下面利用相关系数矩阵进行主成分分析,x的列为r的特征向量,即主成分的系数
[x,y,z]=pcacov(r); %y为r的特征值,z为各个主成分的贡献率
for i=1:length(z) %通过确定累积贡献率的大小判断出要选择主成分的个数
temp=sum(z(1:i,1),1);
if temp>alpha_p
num=i-1;
break;
elseif temp==alpha_p
num=i;
break;
end
end
f=repmat(sign(sum(x)),size(x,1),1); %构造与x同维数的元素为±1的矩阵
x=x.*f; %修改特征向量的正负号,每个特征向量乘以所有分量和的符号函数值
df=gj*x(:,[1:num]); %计算各个主成分的得分
tf=df*z(1:num)/100; %计算综合得分
[stf,ind]=sort(tf,'descend'); %把得分按照从高到低的次序排列
stf=stf';
ind=ind';
end
提示:在使用时一定要注意的单位是百分比!!!
参考文献
司守奎,孙玺菁. 数学建模算法与应用. 北京:国防工业出版社,2011.