Matlab 多元分析

最新推荐文章于 2022-09-20 09:27:56 发布

转载最新推荐文章于 2022-09-20 09:27:56 发布 · 734 阅读

1 ·

CC 4.0 BY-SA版权

原文链接：http://www.cnblogs.com/zero27315/p/10632290.html

文章标签：

#matlab #人工智能

本文深入探讨了主成分分析(PCA)与因子分析在数据降维中的应用。通过具体代码段展示如何进行PCA分析，包括特征值、特征向量及贡献率的计算，并通过旋转载荷矩阵解释因子分析的过程。适合于理解复杂数据集的简化与关键信息提取。

2019-03-31 17:46:41

f1 = repmat(sqrt(val),size(vec1,1),1)
#val 为pcacov的特征值

1.主成分分析(PCA Principal Components Analysis)

　　1.1 代码段

[vec1,lamda,rate] = pcacov(V)#V = corrcoef(data)
#vel1 为V 的特征向量,
#lamda 为V的特征值,
#rate为各个主成分的贡献率

f  = repmat(sign(vec1),size(vec1,1),1)
#修改符号,全为正
vec2 = vec1.*f

　　1.2 框架

load data.txt
data = zscore(data)
V = corrcoef(data)
[vec1,lamda,rate] = pcacov(V)
f = repmat(sign(vec1),size(vec1,1),1)
vec2 = vec1.*f
contribution = cumsum(rate)
num = input('输入的主成分数目,基于Contribute >0.85')
df = data*vec2(:,1:mun)
Comprehensive_f = df*rete(1:num)/100
[stf,ind] = sort(Comprehensive_f,'descend')
stf = stf'
ind = ind'

2. 因子分析

　　2.1 代码段

[lamda2,t] = rotatefactor(A,'method','varrmax')
#lamda2 为旋转后的载荷矩阵
#t为变换的正交矩阵
#A 一般为lamda(:,1:num)

[B,BINT,R,RINT,STATS] = regress(X,Y) 
#BINT 是95%的置信区间 of B 是回归系数
#R是残差Residues
[d,dt,e,et,stats] = regress(Tscore,[ones(n,1),y])

转载于:https://www.cnblogs.com/zero27315/p/10632290.html