主成分的贡献率比较.docVIP

主成分的贡献率比较 主成分的贡献率和累计贡献率度量了F1，F2，…..，Fm分别从原始变量x1，x2，….，xp中提取了多少信息。 贡献率：第i个主成分方差在全部方差中所占的比重称为贡献率，这个值越大，表明第i个主成分综合信息的能力越强。公式为： 累积贡献率：前k个主成分共有多大的综合能力，用这k个主成分的方差和在全部方差中所占的比重来描述，表明取前几个主成分基本包含了全部测量指标所具有信息的百分率。公式为： 表（一）统计了三种数据（原始数据，经过EM算计和RPCA算法处理后的数据）经主成分分析后各个主成分的特征值和累计贡献率。 表（一）三种数据的特征值及其累计贡献率 RPCA特征值 RPCA累计贡献率 EM特征值 EM累计贡献率 原始数据特征值 原始数据累计贡献率 主成分1 3.0212 97.3255 0.5821 65.5883 2.7088 65.9501 主成分2 0.0759 99.7696 0.1824 86.1392 0.9825 89.8718 主成分3 0.0072 100 0.0722 94.272 0.222 95.2767 主成分4 0 100 0.0208 96.6127 0.0895 97.4565 主成分5 0 100 0.0146 98.2559 0.0612 98.9464 主成分6 0 100 0.0068 99.0188 0.0233 99.5127 主成分7 0 100 0.0032 99.3808 0.0088 99.7259 主成分8 0 100 0.0018 99.5866 0.0043 99.8317 主成分9 0 100 0.0016 99.7646 0.0026 99.8944 主成分10 0 100 0.001 99.8747 0.0021 99.9444 主成分11 0 100 0.0005 99.9319 0.0008 99.9646 主成分12 0 100 0.0002 99.9588 0.0006 99.9789 主成分13 0 100 0.0002 99.9769 0.0004 99.9877 主成分14 0 100 0.0001 99.9871 0.0002 99.9937 主成分15 0 100 0 99.9917 0.0001 99.9963 主成分16 0 100 0 99.9936 0 99.9973 主成分17 0 100 0 99.9952 0 99.9982 主成分18 0 100 0 99.9966 0 99.9988 主成分19 0 100 0 99.9976 0 99.9992 主成分20 0 100 0 99.9984 0 99.9995 主成分21 0 100 0 99.9991 0 99.9997 主成分22 0 100 0 99.9997 0 99.9999 主成分23 0 100 0 99.9998 0 99.9999 主成分24 0 100 0 99.9999 0 100 主成分25 0 100 0 99.9999 0 100 主成分26 0 100 0 100 0 100 主成分27 0 100 0 100 0 100 主成分28 0 100 0 100 0 100 主成分29 0 100 0 100 0 100 主成分30 0 100 0 100 0 100 主成分31 0 100 0 100 0 100 主成分32 0 100 0 100 0 100 主成分33 0 100 0 100 0 100 主成分34 0 100 0 100 0 100 主成分35 0 100 0 100 0 100 通过上表可以看出原始数据前三个主成分的累计贡献率为95.2767％，EM算法处理后前三个主成分的累计贡献率变化不大，略小，为94.272％，并且各个主成分的贡献率与原始数据相差不大。而经过RPCA算法处理后变化比较明显，前两个主成分的贡献率就可以达到99.7696％，接近100％， 并且第一个主成分的贡献率明显增大97.325％，第二主成分的贡献率减少，仅为2.444％。 由此分析可知若以累计贡献率达到90％以上为标准决定选择前几个主成分，那么原始数据和经EM算法处理后的数据选取的是前三个，RPCA算法处理后的数据选取的是前两个。 图（1）原始数据主成分贡献率 图（2）EM算法处理后主成分贡献率 图（3）RPCA算法处理后主成分贡献率 二