第七章主成分分析4版.pptVIP

第七章 主成分分析 PCA的基本思想 一般模型与算法 PCA的SPSS实现 PCA的应用 Origins of PCA Pearson (1901) 首先引入 Hotelling (1933) 发展成熟 What does PCA do? What About the New Data? PCA的实质——简化数据 用尽可能少的变量（主成分）反映原始数据中尽可能多的信息，以简化数据，突出主要矛盾。 反映原始数据特征的指标：方差-离散度 主成分：原始变量的最优加权线性组合 最优加权： 第一主成分：寻找原始数据的一个线性组合，使之具有最大方差（数据离散度最大的方向） 第二主成分：寻找原始数据的一个线性组合，使之具有次大方差，且与第一主成分无关 …… 二、PCA的模型与算法 设:x为标准化变量, 原始数据阵 特征根和特征向量的求法 Conceptual Model 主成分载荷阵 三、PCA的SPSS实现 SPSS过程： 1）analyze→data reduction →factor…(顺序点击菜单项，打开Factor对话框)。 2）在对话框中指定分析变量，如图1所示。 提取两个主成分 主成分分析例1 对55个国家径赛成绩作主成分分析 步骤： 第一次分析：计算特征根，确定提取主成分个数 提取主成分，计算主成分得分 运用主成分得分做样本分析 综合评价 异常点分析 应该保留几个主成分？ 特征