对应分析与典型相关分析CCA笔记_数学建模系列
对应分析与典型相关分析笔记_数学建模系列
这里的对应分析与典型相关分析仍然用于降维,因子分析的进阶!
对应分析:在同一张图上,直观的展现样本和属性的聚类效果,同时省去因子选择、因子轴旋转等复杂过程。具体操作,可以概括为,先将矩阵标准化(比如概率矩阵),再将样本集和属性集作为两组点集表示在同一个二维坐标中(选取最优二维表示)。
典型相关分析:为了从总体上把握两组指标之间的相关关系,分别在两组变量中提取有代表性的两个综合变量U1和V1(分别为两个变量组中各变量的线性组合),利用U1和V1之间的相关关系来反映两组指标之间的整体相关性。目标通常是找到使U1和V1相关性最高的两个系数向量。
对应分析
(↓R)
## 数据读入 ##
inputData <- read.csv("*C:\\Users\\lenovo\\Desktop\\1.csv*", header = TRUE, sep = ",")
X <- inputData[, -1]
rownames(X) <- inputData[, 1]## 进行对应分析,生成报表,绘制因子分析的散点图 ##
library(ca)
X.ca <- ca(X)
summary(X.ca)
plot(X.ca)
典型相关分析
(↓R)
## 数据读入 ##
inputData <- read.csv("*C:\\Users\\lenovo\\Desktop\\1.csv*", header = TRUE, sep = ",")
X <- inputData[, -1]
rownames(X) <- inputData[, 1]
X.scale <- scale(X) # 数据标准化## 对标准化的数据做典型相关分析,并生成报表 ##
numVarientsFirstGroup <- 3 # 修改列数,选取出两组待研究变量
numVarientsSecondGroup <- 3
X.ca <- cancor(X.scale[, 1:numVarientsFirstGroup], X.scale[, (numVarientsFirstGroup + 1):(numVarientsFirstGroup + numVarientsSecondGroup)])
X.ca## 计算数据在典型变量下的得分,U=AX,V=BY ##
U <- as.matrix(X.scale[, 1:numVarientsFirstGroup]) %*% X.ca$xcoef
V <- as.matrix(X.scale[, (numVarientsFirstGroup + 1):(numVarientsFirstGroup + numVarientsSecondGroup)]) %*% X.ca$ycoef## 画出Ui、Vi为组表的数据散点图 ##
plot(U[, 1], V[, 1], xlab = "U1", ylab = "V1")
plot(U[, 2], V[, 2], xlab = "U2", ylab = "V2")
plot(U[, 3], V[, 3], xlab = "U3", ylab = "V3")## 典型相关系数的显著性检验 ##
source("*D:\\数学建模\\corcoef.test.R*")
corcoef.test(r = X.ca$cor, n = nrow(X.scale), p = numVarientsFirstGroup, q = numVarientsSecondGroup)
其他参考
典型相关变量检验函数
(↓R)
corcoef.test <- function(r, n, p, q, alpha = 0.1) {m <- length(r);Q <- rep(0, m);lambda <- 1;for (k in m:1) {lambda <- lambda * (1 - r[k]^2); # test statisticQ[k]<- -log(lambda); # logarithm of test statistics}s <- 0;i <- m;for (k in 1:m) {Q[k] <- (n - k + 1 - 1/2 * (p + q + 3) + s) * Q[k] # statisticchi <- 1 - pchisq(Q[k], (p - k + 1) * (q - k + 1)) if (chi > alpha) {i <- k - 1;break}s <- s + 1 / r[k]^2}i #output, which pair of typical variables selected
}
Reference
R部分:荔枝编写
附:
对应分析方法与对应图解读方法——七种分析角度
5中降维方法
本文由厦门大学荔枝带飞队编写
对应分析与典型相关分析CCA笔记_数学建模系列相关推荐
- 典型相关分析(cca)原理_CCA典型关联分析原理与Python案例
文章来源于"脑机接口社区" CCA典型关联分析原理与Python案例mp.weixin.qq.com Rose今天分享一下CCA的相关原理以及Python应用,CCA在EEG等脑 ...
- 基于典型相关分析(CCA)的多元变化检测算法(MAD)
基于典型相关分析的多元变化检测算法 1 典型相关分析(CCA) 2 多元变化检测(MAD) 3 实验 链接 多元变化检测算法(Multivariate Alteration Detection,MAD ...
- matlab CCA标准化,典型相关分析(CCA)附算法应用及程序
<典型相关分析(CCA)附算法应用及程序>由会员分享,可在线阅读,更多相关<典型相关分析(CCA)附算法应用及程序(15页珍藏版)>请在人人文库网上搜索. 1.典范相关分析摘要 ...
- 图书销量时间序列预测_数学建模_Prophet实现
图书销量时间序列预测_数学建模_Prophet实现 前言 主要参考 代码 库导入与函数设置 导库 展示函数 取数据函数 训练函数 评估函数 数据预处理 数据集划分 数据分布查看 销售曲线查看 销售预测 ...
- Python数学建模系列(五):微分方程
文章目录 前言 往期文章 1.微分方程分类 2.微分方程解析解 3.微分方程数值解 3.1 场线图与数值解 3.2 洛伦兹曲线与数值解 4.传染病模型 模型一:SI-Model 模型二:SIS mod ...
- Python数学建模系列(六):蒙特卡洛算法
文章目录 前言 往期文章 1.蒙特卡洛算法 样例1 样例2 样例3 2.三门问题 3.M*M豆问题 结语 前言 Hello!小伙伴! 非常感谢您阅读海轰的文章,倘若文中有错误的地方,欢迎您指出- ...
- Python数学建模系列(八):图论
文章目录 前言 往期文章 1 图论模型 - Dijkstra 样例1 2 图论模型-Floyd 样例2 3 机场航线设计 0.Airlines.csv数据 1.数据导入.观察变量 2.数据清洗 3.时 ...
- Python数学建模系列(四):数值逼近
文章目录 前言 往期文章 1. 一维插值 1.1 线性插值与样条插值(B-spline) 1.2 高阶样条插值 2. 二维插值 2.1 图像模糊处理--样条插值 2.2 二维插值的三维图 3. 最小 ...
- 典型相关分析(CCA)相关资料
典型相关分析的基本思想 Canonical Correlation Analysis CCA典型相关分析 (canonical correlation analysis)利用综合变量对之间的相关关系来 ...
- 数学建模系列笔记3:预测和相关分析
文章目录 3-3-1 马尔科夫链模型 3-4-1 灰色预测模型 3-5-1 人工神经网络 4-1-1 关联分析 4-1-2 独立性检验 4-2-1 通径分析 4-3-1 典型相关分析 3-3-1 马尔 ...
最新文章
- IntelliJ IDEA 运行 Maven 项目
- java接口构造函数_Java8自定义函数式编程接口和便捷的引用类的构造器及方法
- Python基础----字符串
- 【白皮书分享】2021年互联网人才招聘白皮书.pdf(附下载链接)
- 上架服务器必须做的准备工作
- php opcodes 还原代码,深入理解PHP原理之Opcodes(PHP执行代码会经过的4个步骤是什么)...
- docker配置mysql文件位置_Docker安装MySQL并挂载数据及配置文件
- 项目管理需要具备什么能力?
- 中望3d快捷键命令大全_中望CAD快捷键命令大全
- Ardunio开发实例-BME280传感器
- [DevExpress使用随笔]之BarManager控件中创建MainMenu
- 关于一系列斯坦福代码查重moss出问题的解决办法总和与注意事项
- Linux驱动之DMA
- android 获取屏幕旋转方向,android获取手机屏幕尺寸和旋转方向
- 2021年起重机械指挥新版试题及起重机械指挥模拟考试
- Unity台北場優化分享 达哥 讲 Unity优化
- 一看就会,12种不同场景的拍摄模式!
- 学习安全第一阶段收集的网站总结
- SpringSecurity原理剖析及其实战(三)
- 【图书阅读】《Aditya Bhargava-算法图解:像小说一样有趣的算法入门书》