主成分分析在系统评价中的实际应用 2.pptVIP

系统评价学-刘新建 系统评价学-刘新建 系统评价学-刘新建 主成分分析在系统评价中的应用 principal component analysis 基本数学思想 设原始数据表中的变量为 。主成分分析过程实质上是对原坐标系进行平移和旋转变换，使得新坐标的原点与数据群点的重心重合，新坐标系的第一轴与数据变异的最大方向对应，新坐标系的第二轴与第一轴标准正交，并且对应于数据变异的第二大方向……依此类推。这些新轴分别被称为第一主轴 ，第二主轴 ……。若经舍弃少量变量信息后，主轴变量集合能够十分有效地表示原数据的变异情况，则原来的p维空间就被降至m维。生成的空间被称为m维主超平面。主成分分析的本意是简化！ 系统评价学-刘新建 * 主成分分析的算法准则 对于一个高维变量空间系统，要讨论对它进行简化的方法，首先要回答的问题是：简化的标准是什么？ 设原变量空间是 新变量空间是 主成分分析就是寻找合适的矩阵A，使得，m ≤ p 那么，什么是合适的呢？ 系统评价学-刘新建 * 1.数据变异最大方向之原则 由主成分分析的数学思想得知：主成分集合是解释原数据集合差异性最好的变量集合。 若以一个变量y1代表原变量集合，则应使得： 若以 代表原变量集合，则应使得： 系统评价学-刘新建 * 2.最小二乘原则 设有一个原样本点ei，其在新空间中的映像是 当原像与映像的距离最小时，我们认为两个点最相似，对于一个样本，共有n个样本店，则最小二乘原则即是要求： 式中pi是第i个点的权重。(可以认为是同点的个数比例) 从几何的观点看最小二乘原则：由于原样本点与其在主超平面上投影的距离平方总和达到最小，因此，可以说，m维主超平面是最接近原样本群点的m维超平面。 系统评价学-刘新建 * 3.群点相似性改变最小的原则 可以证明，以点点间的距离来描述它们的相似性，若试图在一个 m维超平面来近似地表达原样本空间的群点，则在所有的m维超平面中，只有主超平面可以使群点间的相似性改变最小，用数学公式表示为： 系统评价学-刘新建 * 4.对原变量系统的最佳综合表现力原则 还可以证明，对于原数据表p个变量，如果想以一个综合变量来代表原来所有的原始变量，则第一主成分就是最好的选择，用统计语言描述就是，第一主成分与所有的原始变量相关性最强，即 如果以m个主成分代表原变量空间，则 系统评价学-刘新建 * 主成分分析的算法步骤 假定原变量的数据都经过了标准化处理. 1.求协方差阵R 2.求矩阵V的前m个特征值以及对应的特征向量，这些特征向量是标准正交的。m个特征值满足： 设对应的m个主特征向量是： 系统评价学-刘新建 * 主成分定义 系统评价学-刘新建 * 系统评价学-刘新建 * 系统评价学-刘新建 * 变量标准化情况下的主成分 系统评价学-刘新建 * 7.6主成分分析在系统评价中应用问题 本节将分析主成分分析的评价准则——信息量概念，进一步讨论主成分变量空间与原变量空间的关系、权重与多重相关的关系等问题，并重新考虑了综合指标的合成模式。 为了下面讨论方便，这里首先给出主成分分析基本模型：对于一组标准化变量 ，R是它们的相关系数矩阵， （从大到小排列） 是R的特征根， 是对应的列特征向量，令 （1） 称 是 的第 k 主成分，且 （2） 系统评价学-刘新建 系统评价学-刘新建 系统评价学-刘新建