jz—基于主成分分析的评价方法的改进6—22.pptVIP

基于层次分析法的组合评价法; 主成分分析法研究的背景及意义 主成分分析法的基本原理 主成分分析法的计算步骤 主成分分析法的不足及改进 主成分分析法改进的应用实例 ;主成分分析法研究的背景及意义;主成分分析法的基本原理; 其中每一个主成分所提取的信息量可用其方差来度量，其方差 越大，表示 所包含的信息越多。在实际应用中，人们希望第一主成分 所包含的信息量最大，因此在所有的线性组合中选取的 应该是 的所有线性组合中方差最大的，故称 为第一主成分。如果第一主成分不足以代替原有n项指标的信息，再考虑第二个主成分指标 ，为有效的反映原信息， 中已有的信息就再出现在 中了，即 与 要保持独立、不相关，用数学语言表达就是其协方差 ，所以 是与 不相关的 的所有线性组合中方??最大的，故称 为第二主成分。 ; 依此类推构造出的 为原变量指标 的第一、第二、第m项主成分。 ;主成分分析法的计算步骤;4.设方差贡献率 ，当累计方差贡献率G(q) 达到一定的数值（一般取大于等于 85%）时，取q项主成分 ，进而得到综合评价函数： 5.将每一个样本的标准化指标值代入上式求得各样本的综合评价函数值，根据综合评价函数值对各样本进行排序。;主成分分析法的不足及改进; 2.综合评价指标权重系数分配的不完全合理 在实际评价过程中我们常常发现，指标之间相关性高低程度影响着评价指标权重系数的分配，权重系数明显向相关性较高的变量倾斜，这些变量的权重系数明显高于其他变量的权重系数。不同研究者对问题偏重程度不同，使用的评价方法不同，就会造成不同的结果。所以在处理实际问题时，必须从多个角度综合考虑，才能做出正确的评价，因此需要均衡各个指标变量的系数。;主成分分析法的改进; 2.综合评价指标权重系数分配的改进 设指标系统总体为I，按指标相关性强弱将总体I分成 和 两部分，将相关性较强的指标 分入 ，相关性较弱的指标 分入 ， 。 对比传统主成分分析法的函数表达式 ，将相关性较强的指标连同它们的系数组合得函数 ，为指标相关性较弱的一组函数，且满足(1)指标个数相近时，各指标系数大体均衡；(2)指标个数相差悬殊时，满足多指标系数之和大于小指标系数之和，得改进后综合评价函数 ，则得到的综合评价函数比较合理。 ;主成分分析法改进的应用实例;1.运用传统主成分分析法求得的特征值、贡献率及累计贡献率如表1所示。 表1 传统主成分分析得到的数据;2.运用均值化改进模型求得的特征值、贡献率及累计贡献率如表2所示。 表2 均值化改进模型得到的数据 ;结果分析 从计算结果可以看出，均值化改进模型得到的第一主成分包含的信息比传统主成分分析法得到的第一主成分承载的信息高十四个百分点。因此均值化改进模型可以用较少的主成分提取更多的信息。 ;应用二：施工企业的内部评优模型 根据项目总目标制定施工企业内部评优指标，具体评比数据如表3所示。 表3 评比原始数据;模型求解 用Matlab对数据进行标准化处理求出标准化矩阵Z，并求出相关系数矩阵R。 标准化矩阵Z： ; 相关系数矩阵R： 从相关系数矩阵R可以看出质量指标X2与进度指标X1相关性比较大，安全文明施工指标X3与质量指标X2相关性大，安全文明施工指标X3与进度指标X1相关性大。因此，X1,X2,X3相关性较大，S1={X1,X2,X3},X4,X5与前三者相关性较弱，两者之间的相关性也较弱，则S2={X4,X5}。 ;然后求出R的特征值、贡献率及累计贡献率如表4 所示。 表4 特征值、贡献率及累计贡献率;表5为主成分与指标之间的线性关系 表5 主成分与指标之间的线性关系;表6为评比原始数据按前两项主成分排序的结果。 表6 评比原始数据按前两项主成分排序结果;第一主成分分量的计算公式： 第二主成分分量的计算公式： 传统主成分分析的综合评价函数： 改进后的综合评价函数： ;最后分别用传统与改进后的主成分分析法算出结 果，对比数据如表7所示。 表7 传统与改进后的主成分分析法的结果比较 ;结果分析 在假设