zoukankan      html  css  js  c++  java
  • PCA|factor extraction|CA

    PCA:主成分分析

    相关矩阵,找特征值,找每个特征值对应特征向量,即组成主组成式子:

     

    每个式子指向一个结果y,找一条线将这些y分开。有11个变量就有11个新坐标轴,通过点到直线距离来区分。

    信息必须集中在前几个主成分上。比如PC1表示3个变异。

     

     主成分分析的前提是原始数据不能不同x指向同一个y

    主成分分析不能用来代表某一组因素的共同作用。

    PCA是一类因子分析,在特征值提取时可以选择不同算法。

     

    取第一列和第二列主成分,可以得到二维图:

     

    通过改变坐标轴可将差异表达的更清楚。

    PCAcluster区别是Cluster目标是将y分类,PCA将特征值分类。

    对应分析:卡方分析反映出期望与观测值的差异,即是信息点,行列之间的不规律性。对卡方矩阵做主成分分析,原矩阵和转置后的矩阵都做一遍。所以

    PCACA的比较:

    CA要求原始数据可以不单调,不要求正态。

    PCA要求原始数据可以不单调,最后的主成分转化为一个个欧式距离,要求正态。

  • 相关阅读:
    LAMP动态网站安装脚本
    图片上传
    如何用qq代理发送邮件
    初识c#
    Eclipse使用技巧
    maven中 install的install:install的区别
    Git的各种状态
    phpStorm中Structure窗口中的符号代表的意思
    Apache+PHP+MySQL+phpMyAdmin+WordPress搭建
    Session重点整理
  • 原文地址:https://www.cnblogs.com/yuanjingnan/p/11795984.html
Copyright © 2011-2022 走看看