第六讲主成分讲稿.pptVIP

解 用协方差矩阵进行主成分分析。R程序如下: 例 对10名男中学生的身高(X1)胸围(X2)和体重(X3)进行测量，得数据如下表所示。对其作主成分分析。 序号 身高x1(cm) 胸围x2(cm) 体重x3(kg) 1 2 3 4 5 6 7 8 9 10 149.5 69.5 38.5 162.5 77.0 55.5 162.7 78.5 50.8 162.2 87.5 65.5 156.5 74.5 49.0 156.1 74.5 45.5 172.0 76.5 51.0 173.2 81.5 59.5 159.5 74.5 43.5 157.7 79.0 53.5 R程序： x1-c(149.5,162.5,162.7,162.2,156.5,156.1,172,173.2,159.5,157.7) x2-c(69.5,77,78.5,87.5,74.5,74.5,76.5,81.5,74.5,79) x3-c(38.5,55.5,50.8,65.5,49,45.5,51,59.5,43.5,53.5) student-data.frame(x1,x2,x3) student student.pr-princomp(student)（or princomp(~x1+x2+x3,data=student,cor=FALSE)） summary(student.pr,loadings=TRUE) R程序输出： summary(student.pr,loadings=TRUE) Importance of components: Comp.1 Comp.2 Comp.3 Standard deviation 9.950062 4.7741001 1Proportion of Variance 0.803556 0.1849897 0Cumulative Proportion 0.803556 0.9885458 1loadings: Comp.1 Comp.2 Comp.3 x1 -0.559 0.828 x2 -0.421 -0.333 -0.843 x3 -0.714 -0.451 0.535 前两个主成分的累计贡献率已达98.855％，实际应用中可只取前两个主成分，即 loadings: Comp.1 Comp.2 Comp.3 x1 -0.559 0.828 x2 -0.421 -0.333 -0.843 x3 -0.714 -0.451 0.535 第4章 主成分分析　 4.1 引 言 在实际中，往往涉及众多变量，但变量太多不仅增加计算的复杂性，且也给分析和解释问题带来困难。一般来说，虽然每个变量都提供了一定的信息，但其重要性有所不同，而在很多情况下，变量间有一定的相关性，从而这些变量所提供的信息在一定程度上有所重叠。因而人们希望对这些变量加以“改造”，用较少的互不相关的新变量来反映原变量所提供的绝大部分信息，通过对新变量的分析达到解决问题的目的。主成分分析便是在这种降维的思想下产生的处理高维数据的方法。 Pearson于1901年提出，再由Hotelling（1933）加以发展的一种多变量统计方法 通过析取主成分显出最大的个别差异，也用来削减回归分析和聚类分析中变量的数目 可以使用样本协方差矩阵或相关系数矩阵作为出发点进行分析 成分的保留：Kaiser主张（1960）将特征值小于1的成分放弃，只保留特征值大于1的成分 如果能用不超过3-5个成分就能解释变异的80%，就算是成功 主成分分析 主成分分析 通过对原始