spss——主成分分析详解
文章目录
- 概念
- 应用场景
- 优缺点
- 优点
- 缺点
- spss实例
- 8、将原始特征数据进行标准化
- 计算过程
概念
- 一个非监督学习的降维方法
- 只需要特征值分解,就可以对数据进行压缩,去噪
- 旨在利用降维思想,把多指标转化为少数几个的综合指标
- 每个主成分都能够反映原始变量的大部分信息,且信息不重复
应用场景
在一个图像矩阵中,有些元素特征不明显,很难用来做识别,而有些元素特征很明显,表明其方差很大(元素的方差可以度量其相对整个样本的离散度),这些元素就可以作为图像识别的主要依据,
PCA的作用就是,去除那些方差小,特征不明显的维,保留方差大,特征明显的维
优缺点
优点
仅仅需要以方差衡量信息量,不受数据集其他因素的影响
各主成分正交,
计算方法简单,主要运算是特征值分解,易于实现
缺点
主成分各个特征维度的含义具有一定的模糊性,不如原始样本特征的解释性强
方差小的非主成分也可能含有对样本差异的重要信息,因降维丢弃可能对后续数据处理有影响
spss实例
1、如果有缺失值,要先对数据进行处理
2、将处理好后的数据导入spss
3、找到主成分分析
4、将除分类列外其他导入,我的这个案例中,有一列考核列,也不需要放入,因为不属于影响因素
5、勾选系数:因为要生成成分得分系数矩阵进行最后的得分计算
6、勾选碎石图:可以更直观的主成分分布,点击确定
点击确认后经过计算。导出结果为
7、观察总方差解释图:提取提取载荷平方和的个数,就是主成分个数,最后一个主成分的占比就是选取的所有的主成分的占比总和
8、将原始特征数据进行标准化
勾选:将被抓另存变量
9,通过系数得分矩阵和标准化数据进行对应相乘
计算过程
x就是所有的特征变量
f1=−0.073∗X1+−0.0008∗X2)...+0.203∗X11f1 = -0.073 * X1 + -0.0008*X2)...+0.203*X11 f1=−0.073∗X1+−0.0008∗X2)...+0.203∗X11
f2=−0.372∗X1+−0.157∗X2)...−0.123∗X11f2 = -0.372* X1 + -0.157*X2)...-0.123*X11 f2=−0.372∗X1+−0.157∗X2)...−0.123∗X11
F=(23.2/70.3)f1+(14.0/70.3)f2...F = (23.2 /70.3 )f1 + (14.0/70.3)f2... F=(23.2/70.3)f1+(14.0/70.3)f2...
spss——主成分分析详解相关推荐
- 【教程】ENVI主成分分析详解
主成分分析(PCA)是一种统计方法,简而言之就是用几种特性去描述事物.每个事物都可以用不同的特性去进行表达,但这些特性一般而言是存在相互的融合和冗余,而用主成分分析方法将这些特性进行转换成不相关的新特 ...
- 【Python数据分析】数据预处理3——数据规约(含主成分分析详解、Python主要预处理函数)
数据规约产生更小且保持完整性的新数据集,在规约后的数据集上进行分析和挖掘将提高效率 一.属性规约 属性规约通过属性合并创建新属性维数,或者通过直接删除不相关的属性来减少数据维数,从而提高数据挖掘的效率 ...
- 2DPCA—二维主成分分析详解及编程
目录 一.为什么提出2DPCA(Why) 二.2DPCA数学公式(What) (一)模型 (二)策略(优化目标) (三)算法(如何计算投影向量) (四)特征提取和图像重构 三.2DPCA编程(How) ...
- 数学建模——主成分分析算法详解Python代码
数学建模--主成分分析算法详解Python代码 import matplotlib.pyplot as plt #加载matplotlib用于数据的可视化 from sklearn.decomposi ...
- python sklearn.decomposition.PCA 主成分分析, 原理详解
引用文章1: 主成分分析(PCA)原理详解 https://blog.csdn.net/program_developer/article/details/80632779 引用文章2: 彻底理解样本 ...
- 主成分分析(PCA)原理详解 2016/12/17 · IT技术 · 主成分分析, 数学 分享到: 21 原文出处: 中科春哥 一、PCA简介 1. 相关背景 主成分分析(Principa
主成分分析(PCA)原理详解 2016/12/17 · IT技术 · 主成分分析, 数学 分享到:21 原文出处: 中科春哥 一.PCA简介 1. 相关背景 主成分分析(Principal Co ...
- 线性回归 - 多元线性回归案例 - 分析步骤、输出结果详解、与Python的结果对比 -(SPSS建模)
现在用 Python 写线性回归的博客都快烂大街了,为什么还要用 SPSS 做线性回归呢?这就来说说 SPSS 存在的原因吧. SPSS 是一个很强大的软件,不用编程,不用调参,点巴两下就出结果了,而 ...
- pca主成分分析用matlab实现,PCA (主成分分析)详解 (写给初学者) 结合matlab
一.简介 PCA(Principal Components Analysis)即主成分分析,是图像处理中经常用到的降维方法,大家知道,我们在处理有关数字图像处理方面的问题时,比如经常用的图像的查询问题 ...
- PCA (主成分分析)详解 (写给初学者)
学习图像处理,无疑会涉及到降维的操作,而PCA是常用的降维算法,既然经常用到,所以需要抠明白才行啊~~ PCA(PrincipalComponents Analysis)即主成分分析,是图像处理中经常 ...
- 主成分分析(PCA)方法步骤以及代码详解
主成分分析(PCA)方法步骤以及代码详解 前言 上一节我们了解到在构建神经网络模型,除了掌握如何搭建神经网络架构,了解参数具体含义,规避风险等方法.第一步是要对采用数据集的详细了解,无需接触任何神经网 ...
最新文章
- 边缘计算 — 与硬件厂商
- 每日一题之 MySQL
- 永远的beyond!(4 days left to get back touch)
- .Net中的AOP系列之《AOP实现类型》
- mybatis查询返回空,SQL数据库执行有数据!
- 细菌基因组 | rpoB的插入变异导致高度耐药性
- ubuntun系统mysql数据库同步_Ubuntu下MySQL主从同步配置步骤
- 进销存软件管理系统排名(最新版)
- OpenWrt network 启动过程
- TF-IDF算法简介
- 统计(statistic)(二分查找+离散化)
- 个税计算python版(2021最新版)
- 怎么把计算机里隐藏的文件显示,怎么把隐藏的文件夹显示出来 多种方法介绍【图文教程】...
- 微信小程序接入阿里云直播
- 学习51单片机串口工作方式及应用
- python 进程间同步_python之路29 -- 多进程与进程同步(进程锁、信号量、事件)与进程间的通讯(队列和管道、生产者与消费者模型)与进程池...
- no-cache,max-age=0,nostore区别及304原理
- 介绍ReLU6!计算机视觉实习面经(京东/商汤/思谋/依图/图森/字节/腾讯)
- pfamscan 的使用_【HMMSCAN】使用pfam数据库对多序列文件进行结构域注释
- 【JAVA】作战命令
热门文章
- c语言编程汉诺塔问题,C语言解决汉诺塔问题
- 一网打尽Mac上的高效工具 - 系统工具篇(附演示视频)
- TDD(测试驱动开发)工作流程:
- php更换wordpress用户头像,WordPress用户头像不显示的解决方法
- [python] ylgy攻略 用魔法打败魔法
- bom管理软件,支持版本控制,bom比对
- 如何前后端分离的架构中使用Shiro框架
- matlab 数字带圈,LaTeX - 带圈数字
- equalizer android,全球最佳十大安卓均衡器
- 微软使用“钞能力”: 687 亿美元收购动视暴雪!