《预测方法研究》函数关系预测.ppt

数学地质;函数关系预测;函数关系预测;回归分析预测变量关系;回归分析预测变量关系;聚类分析预测变量关系;主成份分析预测变量关系;主成份分析预测变量关系;主成份分析预测变量关系;式中参数满足如下的条件：;主成份的实际意义分析： 设有n个样品，每个样品有两个观测变量xl和x2，在由变量xl和x2 所确定的二维平面中，n个样本点所散布的情况如椭圆状。可以看出这n个样本点无论是沿着xl 轴方向或x2轴方向都具有较大的离散性，其离散的程度可以分别用观测变量xl 的方差和x2 的方差定量地表示。显然，如果只考虑xl和x2 中的任何一个，那么包含在原始数据中的信息将会有较大的损失。 ;?; 如果我们将xl 轴和x2轴先平移，再同时按逆时针方向旋转?角度，得到新坐标轴Fl和F2。Fl和F2是两个新变量。; 根据旋转变换的公式：; 旋转变换的目的是为了使得n个样品点在Fl轴方向上的离 散程度最大，即Fl的方差最大。 变量Fl代表了原始数据的绝大部分信息。在研究问题时，即使不考虑变量F2也无损大局。 经过上述旋转变换原始数据的大部分信息集中到Fl轴上，对数据中包含的信息起到了浓缩作用。; Fl，F2除了可以对包含在Xl，X2中的信息起着浓缩作用之外，还具有不相关的性质，这就使得在研究复杂的问题时避免了信息重叠所带来的虚假性。 前面二维平面上各点的方差大部分都归结在Fl轴上，而F2轴上的方差很小。Fl和F2称为原始变量x1和x2的综合变量。F简化了系统结构，从而简化了问题。 ;主成份的推导及性质 : 一、两个线性代数的结论 ; 2、若上述矩阵的特征值所对应的单位特征向量为 ; ;假设?1? ?2 ? … ??p 。而U恰好是由特征值相对应的特征向量所组成的正交阵。;设有P维正交向量;主成份分析预测变量关系;（二） 第二主成分;所以如果取线性变换：;主成分的性质; 三、精度分析 1)贡献率：第i个主成分的方差在全部方差中所占比重 ，称为贡献率 。说明第i个主成份反映原来P个指标的信息多少，有多大的综合能力 。 2)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比重 ;原始变量与主成分之间的相关系数 ;原始变量被主成分的提取率 如果仅仅提出了m个主成分，则第i个原始变量信息的被提取率为;主成份分析预测变量关系;因子分析预测变量关系;因子分析与回归分析 因子分析中的因子是一个比较抽象的概念，而回归因子有非常明确的实际意义； 因子分析与主成分分析 主成分分析仅仅是变量变换，而因子分析需要构造因子模型。 主成分分析:原始变量的线性组合表示新的综合变量，即主成分； 因子分析：潜在的假想变量和随机影响变量的线性组合表示原始变量。;因子分析模型 ;;因子分析模型的性质;因子分析模型的性质;因子分析模型的性质;因子分析模型的性质; 因子载荷矩阵中的几个统计特征;2、变量共同度的统计意义;3、公共因子 方差贡献的统计意义 ; 因子载荷矩阵的估计方法; 因为目的是寻求用少数几个公共因子解释，故略去后面的p-m项的贡献，有; ;注：残差矩阵;（二）主因子法;直接求R*的前p个特征值和对应的正交特征向量。 得如下的矩阵：;; 因子载荷矩阵的估计方法; 在实际的应用中，方差矩阵一般都是未知的， 可以通过一组样本来估计。估计的方法有如下几种： ; 3）取 ，这意味着取xi与其余的xj的简单相关系数的绝对值最大者； ;因子旋转（正交??换）;因子得分 ; 因子分析的数学模型为： ; 因子得分函数：;典型相关分析讨论两组变量之间的相互关系 对应分析：在因子分析的基础上，同时讨论样本和变量之间的相互关系 关联规则方法：通过属性之间的关联关系找出属性相互依赖的变化规律 粗糙集方法：将原信息转化为粗糙集，利用属性依赖关系，用最小的属性组合描述原系统