数学建模多元分析实例
数学建模多元分析实例
原文:http://blog.csdn.net/qq_34861102/article/details/77101690
聚类分析
- R型聚类法
- Q型聚类法
相关命令
pdist
Y = pdist(X,'metric')
- 矩阵
X
必选,'metric'
指定计算矩阵中对象的距离的方式 pdist(X,'minkowski',p)
p
在闵氏距离计算矩阵中用到的指数值
- 矩阵
linkage
Z = linkage(Y,'method')
Y
上面生成的距离(必选),method
按照指定的算法生成聚类树(可选)
cluster
T = cluster(Z,'cutoff',c)
- 创建聚类
zsore
zsore(X)
- 标准化处理
dendrogram
H = dendrogram(Z,P)
- 画聚类树状图,其中
P
为节点数,默认是30
clusterdata
- 等价于前三个命令
squareform
- 将
pdist
转化为方阵
- 将
实例
a = [1,0;1,1;3,2;4,3;2,5]; y = pdist(a,'cityblock'); yc = squareform(y); z = linkage(y); dendrogram(z); T = cluster(z,'maxclust',3)
主成分分析(降低维度)
使用步骤
- 对原始数据进行标准化处理
- 计算相关系数矩阵
R
- 计算特征值和特征向量
- 选择
p
个主成分,计算综合评价值
使用实例:
%获取数据 gj = load('data.txt'); %数据标准化 gi = zscore(gj); %计算相关系数矩阵 r = corrcoef(gj); %x的列为r的特征向量,即主成分的系数 %y为r的特征值 %z为各个主成分的贡献率 [x,y,z] = pcacov(r); %构造与x矩阵同维数的元素为+1或-1的矩阵 f = repmat(sign(sum(x)),size(x,1),1); %使得每个特征向量的分量和为正 x = x.*f; %选取主成分的个数 num = 3; %计算各个主成分的得分 df = gj*x(:,1:num); %计算综合得分 tf = df*z(1:num)/100; [stf,ind] = sort(tf,'descend'); stf = stf'; ind = ind';
因子分析
- 使用步骤
- 对原始数据进行标准化处理
- 计算相关系数矩阵
R
- 计算初等荷载矩阵
- 选择
p
个主因子
使用实例
%获取数据 gj = load('data.txt'); %数据标准化 gi = zscore(gj); %计算相关系数矩阵 r = corrcoef(gj); %x的列为r的特征向量,即主成分的系数 %y为r的特征值 %z为各个主成分的贡献率 [x,y,z] = pcacov(r); %构造与x矩阵同维数的元素为+1或-1的矩阵 f = repmat(sign(sum(x)),size(x,1),1); %使得每个特征向量的分量和为正 x = x.*f; %初等荷载矩阵 f2 = repmat(sqrt(y)',size(x,1),1); a = x.*f2; %主因子个数 num = input('请选择主因子的个数:'); am = a(:,[1,num]); [b,t] = rotatefactors(am,'method','varimax'); bt = [b,a(:,[num+1:end])]; %计算共同度 degree = sum(b.^2,2); %计算因子贡献 contr = sum(bt.^2); %计算因子贡献率 rate = contr(1:num)/sum(contr); %计算得分函数的系数 coef = inv(r)*b; %计算得分 score = x*coef;
- 使用步骤
判别分析(判别个体所属类别)
实例:
a = [9 7 8 8 9 8 7 4 3 6 2 1 6 8 2;8 6 7 5 9 9 5 4 6 3 4 2 4 1 4;7 6 8 5 3 7 6 4 6 3 5 2 5 3 5]; train = a(:,[1:12])'; sample = a(:,[13:end])'; group = [ones(7,1);2*ones(5,1)]; %马氏距离分类 [x1,y1] = classify(sample,train,group,'mahalanobis'); %线性分类 [x2,y2] = classify(sample,train,group,'linear'); %二次分类 [x3,y3] = classify(sample,train,group,'quadratic');
典型相关分析
x = load x.txt; y = load y.txt; p = size(x,2); q = size(y,2); %标准化数据 x = zscore(x); y = zscore(y); %观测数据的个数 n = size(x,1); %a1,b1返回的是典型变量的系数。r返回的是典型相关系数 %u1,v1返回的是典型变量的值。status返回的是假设检验的一些统计量的值 [a1,b1,r,u1,v1,status] = cononcorr(x,y); %修正每一列的正负号,使系数和为正 a = a1.*repmat(sign(sum(a1)),size(a1,1),1); b = b1.*repmat(sign(sum(b1)),size(b1,1),1); u = u1.*repmat(sign(sum(u1)),size(u1,1),1); v = v1.*repmat(sign(sum(v1)),size(v1,1),1); %计算x,u y,v x,v x,u的相关系数 x_u_r = x'*u/(n-1); y_v_r = y'*v/(n-1); x_v_r = x'*v/(n-1); y_u_r = y'*u/(n-1); %X组原始变量被u_i解释的方差比例 %方差累积比例 ux = sum(x_u_r.^2)/p; ux_cum = cumsum(ux);vx = sum(x_v_r.^2)/p; vx_cum = cumsum(vx);uy = sum(y_u_r.^2)/q; uy_cum = cumsum(uy);vy = sum(y_v_r.^2)/q; vy_cum = cumsum(vy); %典型相关系数的平方 val = r.^2;
对应分析(Q型和R型的结合)
a = [543 342 453 609 261 360 243 183;245 785 630 597 311 233 108 69;300 200 489 740 365 324 327 228;401 396 395 693 350 309 263 143;147 117 410 726 366 447 329 420]; %行和 a_i_dot = sum(a,2); %列和 a_dot_j = sum(a); %数据和 T = sum(a_i_dot); %对应矩阵 P = a/T; %边缘分布 r = sum(P,2); c = sum(P); %计算行轮廓分布阵 Row_prifile = a./repmat(sum(a,2),1,size(a,2)); %标准化数据阵 B = (P - r*c) ./ sqrt((r*c)); %对标准化后的数据阵作奇异值分解 [u s v] = svd(B,'econ'); %修改特征向量的符号矩阵 w1 = sign(repmat(sum(v),size(v,1),1)); %使得v中每一个行向量的分量和大于0 w2 = sign(repmat(sum(v),size(u,1),1)); %修改特征向量的正负号 vb = v.*w1; ub = u.*w2; %计算惯量 lamda = diag(s).^2; %计算卡方统计量的分解 ksi2square = T*(lamda); %计算总卡方统计量 T_ksi2square = sum(ksi2square); %计算贡献率 con_rate = lamda/sum(lamda); %计算累积贡献率 cum_rate = cumsum(con_rate); %求加权特征向量 beta = diag(r.^(-1/2))*ub; %求行轮廓坐标 G = beta*s; %求加权特征向量 alpha = diag(c.^(-1/2))*vb; %求列轮廓坐标 F = alpha*s; %样本点的个数 num1 = size(G,1); %行坐标的取值范围 rang = minmax(G(:,[1,2])'); %画图调整 delta = (rang(:,2)-rang(:,1))/(4*num1); chrow = {'A','B','C','D','E'}; strcol = {'少男','少女','白领','工人','农民','士兵','主管','教授'}; plot(G(:,1),G(:,2),'*','Color','k','LineWidth',1.3); text(G(:,1),G(:,2)-delta(2),chrow); hold on; plot(F(:,1),F(:,2),'H','Color','k','LineWidth',1.3); text(F(:,1)-delta(1),F(:,2)+1.2*delta(2),strcol); xlabel('dim1'); ylabel('dim2');
多维标度分析
- (有n个由多个指标反映的客体,不清楚反映客体的指标个数)
- 利用城市之间的距离来绘制地图
- 实例代码
D = [0 1 sqrt(3) 2 sqrt(3) 1 1; zeros(1,2) 1 sqrt(3) 2 sqrt(3) 1; zeros(1,3) 1 sqrt(3) 2 1; zeros(1,4) 1 sqrt(3) 1; zeros(1,5) 1 1;zeros(1,6) 1;zeros(1,7)]; d = D + D'; [y,eigvals] = cmdscale(d); plot(y(:,1),y(:,2),'o','Color','k','LineWidth',1.3)
数学建模多元分析实例相关推荐
- 数学建模预测模型实例(一)---大学生体测数据模型
数学建模预测模型实例–大学生体测数据模型 数学建模预测模型实例(一)-大学生体测数据模型 数学建模预测模型实例(二)-表白墙影响力量化模型 python预测算法-线性回归 建立模型的目的 本篇文章中, ...
- 数学建模预测模型实例(三)---双色球概率预测模型
双色球概率预测模型 数学建模预测模型实例(一)-大学生体测数据模型 数学建模预测模型实例(二)-表白墙影响力量化模型 python预测算法-线性回归 双色球概率预测模型 前言 最近新晋彩民佩瑞对于双色 ...
- 数学建模预测模型实例(四)---食堂菜品推荐系统
数学建模预测模型实例(四)-食堂菜品推荐系统 数学建模预测模型实例(一)-大学生体测数据模型 数学建模预测模型实例(二)-表白墙影响力量化模型 python预测算法-线性回归 数学建模预测模型实例(三 ...
- 数学建模——多元分析、综合评价与决策
一.多元分析 聚类分析 最短距离法+聚类图 [1]Q型聚类(样本) (1)样本之间 闵氏距离: 注意量纲要相同,避免多重相关性 马氏距离: 其中,是p维总体Z的协方差矩阵 不受量纲的影响 (2)聚类之 ...
- 资料分享 | 数学建模竞赛备战大全
全世界只有3.14 % 的人关注了 青少年数学之旅 目前针对数学建模的认知,绝大部分人还停留在数学建模竞赛阶段,并不知道数学建模是数据领域非常重要的一种方法. 数学建模涉及的内容广泛,比如碎纸片问题中 ...
- python dendrogram_【聚类分析】《数学建模算法与应用》第十章 多元分析 第一节 聚类分析 python实现...
第十章 多元分析 第一节 聚类分析 介绍 这里是司守奎教授的<数学建模算法与应用>全书案例代码python实现,欢迎加入此项目将其案例代码用python实现 GitHub项目地址:Math ...
- 双层玻璃窗的功效模型matlab,数学建模实例双层玻璃的功效
<数学建模实例双层玻璃的功效>由会员分享,可在线阅读,更多相关<数学建模实例双层玻璃的功效(4页珍藏版)>请在人人文库网上搜索. 1.数学建模入门双层玻璃窗的功效双层玻璃的功效 ...
- 数学建模中的ARMA模型和ARIMA模型的使用实例(含代码)
数学建模中的ARMA模型和ARIMA模型的使用实例(含代码) 原文地址:http://blog.csdn.net/qq_34861102/article/details/77659399 对于较少时间 ...
- 一个实例用matlab分别画出拟合和插值,数学建模培训之四--拟合与插值专题(hzd).doc...
您所在位置:网站首页 > 海量文档  > 高等教育 > 微积分 数学建模培训之四--拟合与插值专题(hzd).doc6 ...
- 饿狼追兔的可视化matlab,高阶常微分方程模型饿狼追兔问题数学建模实例
高阶常微分方程模型饿狼追兔问题数学建模实例 现有一只兔子.一匹狼,兔子位于狼的正西110米处,假设兔子与狼同时发现对方并一起起跑,兔子往正北70米处的巢穴跑,而狼在追兔子.已知兔子.狼是匀速跑且狼的速 ...
最新文章
- 订单管理之获取订单表表列表数据
- 畅销书《简明的TensorFlow2》作者李卓桓开讲啦!
- python函数详解
- 韩顺平php教程笔记,PHP笔记,韩顺平php笔记_PHP教程
- 【Redis】Redis Bitmaps
- Control Registers(CR0, CR1, CR2, CR3, and CR4)
- 《C++游戏编程入门(第4版)》——1.9 本章小结
- 53. 使 Ajax 可缓存(14)
- 如何制作HTML网页设计【体育运动主题网站——中国篮球NBA】
- [Lonlife1031]Bob and Alice are eating food(递推,矩阵快速幂)
- Spring Boot 大文件上传(断点上传)、服务端分片下载、客户端分片下载(断点下载)
- 【python】类型约束(类型提示的作用)
- 远程桌面服务器零售授权许可证,由于没有远程桌面授权服务器可以提供许可证...
- 4)自适应滤波(一)[LMS算法]
- 计算机专业烧钱妈,“最烧钱”的3类大学专业排行:妈妈,我在学校真的什么都没干...
- 信号完整性分析系列2——什么是信号完整性及何时遇到
- 如何在群里引流?如何通过别人的群引流?建一个群怎么快速裂变引流
- Findora区块链培训课程重磅上线!(附视频)
- 浙江大学计算机博士申请考核,考博经验 | 2020年浙江大学博士申请考核经验分享...
- 成功需要“十商”(网络转载)