主成分分析数学建模

1、在实际问题中，研究许多指标的问题很常见，但是不同指标之间往往有一定的关系。 由于指标多和指标之间有一定的相关性，分析问题的复杂性增加了。 主成分分析法是指，代替原来的指标，把原来的指标重新组合成与新的相互无关的几个综合指标，让云同步根据实际的需要，尽可能多的采用几个少的综合指标来反映原来的指标的信息。 这样多个指标化少数不相互干扰作用的综合指标的统计方法被称为主成分分析法法，某人做上衣需要测量身高、袖长、胸围、伊斯特、肩宽、肩宽等十几个项目的指标。 但是，某种服装生产生产新服装是不可能的吧。 从中选出一些综合指标作为分类形式。 1 .反映肥胖。 2 .反映特别具体情况。 3 .反映长度。 主成

2、分分析法pca，y1=a1* x1a 1.2 x2a 13 x3a1x5x6x2y2=a1* x1a2x3a2x5a6x3=a 31 * x1a 3.2 x4a 3.5 x5a 3.6 x6y 1反映了肥胖，而y2反映了身体y3的反映长度。 主成分分析法是一种通过降维技术将多个指标聚合为少数综合指标的综合统计分析方法，这些个的综合指标反映原始指标的大部分信息，通常表现为原始的几个指标的线性组合。 假设原始p个指示符为x1、x2、xp .则数学模型获得p个变量的线性组合f1、f2、fk(kp )，对它们进行满脚丫子整，2 .获得主要分量之间没有相关性(即，不重叠)的信息。 1 .主成分的方差依次

3、减少，重要性水平依次减少，即，每个主成分的系数平方和为1。 即，观测主成分的数学导出、主成分的一般性质、主成分的分散贡献率、每个样本的p个指标，将原始数据设为矩阵形式，1、将原始数据标准化，2、生成变量的相关系数矩阵，求出3、r的特征根和与其对应的单位特征向量，特征值的大小贡献率=特征值/所有特征值和、主成分计算步骤或协方差矩阵，这里需要进一步的强调整与根据相关矩阵求出的主成分和根据协方差矩阵求出的主成分一般地不同。 事实上，我们发现这种差异有时很大。 各指标之间的数量水平大不相同，特别是当各指标有不同的物理量纲时，使用r是合理的。 与经济问题研究相关的变量单位几乎不统一，可以取代r，用标准化

4、的数据进行分析，所以主要成分具有现实的经济意义，不仅容易分析实际的问题，还可以避免强调数值大的变量。 4、导出主要成分，一般取累积贡献率达到8595%的特征值，对应的第一、第二、第m(mp )主要成分。 5、根据特征值来确定各成分的权重，进行综合指标、排序。协方差和协方差矩阵的定义，协方差的定义，主成分分析法示例，表1是某市工业部门1.3行业8个重要经济指标的数据，这8个经济指标分别为x1 :年终固定资产净，单位：万元x2 :员工数据，单位：人x3 :工业生产总值，单位：万元x4 :全员劳动生产率，单位：元/人年x x7 :标准燃油消耗量，单位：吨x8 :能源利用效果，单位：万元/吨。表1某市工业部门1.3行业的8个指标，应考虑如何从这些个经济指标中，适当缩小8个指标，便于定性分析某市经济状况。 其中，matlab是计算主成分clearsj=load (zcf.txt ) sj1=zs core (sj ) xf c1=cov (sj1)的xgxs=corr coef (sj1) t1t2=eig (xf c1) t 1、t2=eig(xgxs 表4各行业的主成分得分和名次，从上表可以看出，机械