基于主成份分析法笔记本电脑特征性指标分析.docVIP

基于主成份分析法笔记本电脑特征性指标分析 　　【摘 要】 本文在对现市面上最畅销的14个品牌电脑且最受消费者关心的9个指标进行统计调查的基础上，运用主成分分析的方法，对其进行特征分类。结果表明，内存容量，硬盘容量，参考价格和显存容量可以归为第一类，屏幕尺寸，重量，最大内存容量和质保时间可以归为同一类别，而摄像头像素则单独成为一类别。从此调查分析结果出发，探究主要影响价格的指标，同时结合客观的分析，首先能够使消费者对笔记本电脑有一个较为清晰地认识，其次能够为购买时能够提供一定的专业帮助，避免消费者被商家的炒作和噱头所迷惑。需要指出的是，由于笔记本的科技水平较高，参数繁多，而且还有品牌效应等无法定量化的指标，所以文中尽量做到全面地向普通消费者提供一些关于选笔记本的指导和帮助。 　　【关键词】 笔记本电脑 主成分分析 特征性指标 　　随着科技的发展，生活水平的提高，笔记本电脑成了一种生活用品，可供选择的笔记本五花八门，但它们都共同的有一些我们主要关心的指标，比如价格，软件配置，内存容量，硬盘容量，重量等等。它们参数大小迥异，并且具有一定的相关性，并且其中的一些指标决定了价格的高低。在参阅了一些关于硬件方面的参考书[1]和网络资料，还有一些市场关于笔记本调查结果的分析后，本文应用主成分分析方法针对笔记本电脑各个最受消费者关心上的指标进行分析，探究对价格影响最大的一些特征指标，并对指标进行客观分析，这让可以帮助消费者减少购买时考虑的因素，且对笔记本性能特征有更加清晰地了解，通过研究发现可以用三个主成份来代表样本整体的综合性能指标情况。 　　1 数据来源 　　本文的所有数据收集来自中关村在线的电脑频道[2]，由于中关村在线被认为是大中华区最具商业价值的IT专业门户，并且它也是美国哥伦比亚广播集团互动媒体公司CBS Interactive在中国区的旗舰媒体，所以数据的真实性毋庸置疑。对于一些笔记本电脑没有标明的指标，为了使得分析更为精确，用此类指标的平均数值进行代替，同时也能使得其对整个分析造成的影响最小。查获的特征性指标原始数据见附表1。且当指标标明的数值处于某一范围时，为了数据分析的准确，取其范围中的平均值。 　　2 主成份分析法（Principal Component Analysis， PCA） 　　主成份分析法也称主分量分析或矩阵数据分析，通过变量变换的方法把相关的变量变为若干不相关的综合指标变量.[6] 　　若某研究对象有两项指标ζ1和ζ2，从总体ζ（ζ1，ζ2）中抽取了N个样品，它们散布在椭圆平面内（见图1），指标ζ1与ζ2有相关性.η1和η2分别是椭圆的长轴和短轴，η1⊥η2，故η1与η2互不相关.其中η1是点ζ（ζ1，ζ2）在长轴上的投影坐标，η2是该点在短轴上的投影坐标.从图1可以看出点的N个观测值的波动大部分可以归结为η1轴上投影点的波动，而η2轴上投影点的波动较小.若η1作为一个综台指标，则η1可较好地反映出N个观测值的变化情况，η2的作用次要.综合指标η1称为主成份，找出主成份的工作称为主成份分析[3]。 　　可见，主成份分析即选择恰当的投影方向，将高维空间的点投影到低维空间上，且使低维空间上的投影尽可能多地保存原空间的信息，就是要使低维空间上投影方差尽可能地大[4]。 　　3 主成份分析法的应用 　　3.1 原始数据的处理和标准化 　　由于原数据矩阵庞大，如对全部指标进行分析，将而导致主次要成因相混淆；若仅选其中部分指标，又可能会影响分析结果的代表性和完整性。所以在这里选取了最受消费者关注的，且同一指标下数据较为分散的9个指标。此外，为了克服不同变量数值差异过大而造成的主成份分析误差，按照主成份分析法要求，应对原始数据矩阵进行标准化[6]，进而得到进行主成份分析的9个变量的相关系数矩阵，见表1。 　　3.2 笔记本电脑指标主成份分析的计算结果 　　主成份分析的计算结果中，新变量所代表的方差（即对应的特征值）贡献率和由原变量变换为新变量的线性变换系数（即对应的特征向量）就成为我们进行综合分析的重点.在主成份分析中一般要求少数新变量的累积方差贡献率应大于70%[5]。下列表2表3表4和表5分别给出了原始数据的公因子方差、各个主成份的解释的总方差，主成份的计算结果，和进行因子旋转后的主成分计算结果，进行因子旋转是为了为了能更好地看出新的主成分和原始指标的联系，使原始指标对主成分的变换系数向0或1极化。要说明的是，旋转后并不改变总的累计方差贡献度。图2则是各个主成份的特征值。 　　图2表明，前三个主成份积累方差贡献率达到72.319%，根据主成份分析法的一般原理，可取前三个具有明显代表性的主成份.原有的9个变量可用三个主成份表示，如表4所示。 　　本文可以依据以上计算结果绘出成份图，表明