MAT之PCA：利用PCA(四个主成分的贡献率就才达100%)降维提高测试集辛烷值含量预测准确度并《测试集辛烷值含量预测结果对比》

输出结果

实现代码

输出结果

后期更新……

实现代码

load spectra;   <br>
temp = randperm(size(NIR, 1));P_train = NIR(temp(1:50),:);
T_train = octane(temp(1:50),:);P_test = NIR(temp(51:end),:);
T_test = octane(temp(51:end),:);[PCALoadings,PCAScores,PCAVar] = princomp(NIR); figure
percent_explained = 100 * PCAVar / sum(PCAVar);
pareto(percent_explained)
xlabel('主成分')
ylabel('贡献率(%)')
title('PCA：调用princomp函数实现各个主成分的贡献率—Jason niu')[PCALoadings,PCAScores,PCAVar] = princomp(P_train);
figure
plot(PCAScores(:,1),PCAScores(:,2),'r+')
title('PCA：通过PCA判断样本的测试集是否都在训练范围内—Jason niu')
hold on
[PCALoadings_test,PCAScores_test,PCAVar_test] = princomp(P_test);
plot(PCAScores_test(:,1),PCAScores_test(:,2),'o')
xlabel('1st Principal Component')
ylabel('2nd Principal Component')
legend('Training Set','Testing Set','location','best')k = 4;
betaPCR = regress(T_train-mean(T_train),PCAScores(:,1:k));
betaPCR = PCALoadings(:,1:k) * betaPCR;
betaPCR = [mean(T_train)-mean(P_train) * betaPCR;betaPCR];N = size(P_test,1);
T_sim = [ones(N,1) P_test] * betaPCR;error = abs(T_sim - T_test) ./ T_test;R2 = (N * sum(T_sim .* T_test) - sum(T_sim) * sum(T_test))^2 / ((N * sum((T_sim).^2) - (sum(T_sim))^2) * (N * sum((T_test).^2) - (sum(T_test))^2));result = [T_test T_sim error]figure
plot(1:N,T_test,'b:*',1:N,T_sim,'r-o')
legend('真实值','预测值','location','best')
xlabel('预测样本')
ylabel('辛烷值')
string = {'PCA：利用PCA降维提高《测试集辛烷值含量预测结果对比》的准确度—Jason niu';['R^2=' num2str(R2)]};
title(string)

相关文章
PCA：利用PCA(四个主成分的贡献率就才达100%)降维提高测试集辛烷值含量预测准确度并《测试集辛烷值含量预测结果对比》

MAT之PCA：利用PCA(四个主成分的贡献率就才达100%)降维提高测试集辛烷值含量预测准确度并《测试集辛烷值含量预测结果对比》相关推荐

MAT之PLS：利用PLS(两个主成分的贡献率就可达100%)提高测试集辛烷值含量预测准确度并《测试集辛烷值含量预测结果对比》
MAT之PLS:利用PLS(两个主成分的贡献率就可达100%)提高测试集辛烷值含量预测准确度并<测试集辛烷值含量预测结果对比> 目录输出结果实现代码输出结果实现代码 load sp ...
R语言主成分分析PCA和因子分析EFA、主成分（因子）个数、主成分（因子）得分、主成分（因子）旋转（正交旋转、斜交旋转）、主成分（因子）解释
R语言主成分分析PCA和因子分析EFA.主成分(因子)个数.主成分(因子)得分.主成分(因子)旋转(正交旋转.斜交旋转).主成分(因子)解释目录
R语言实战笔记--第十四章主成分和因子分析
R语言实战笔记–第十四章主成分和因子分析标签(空格分隔): R语言主成分分析因子分析原理及区别主成分分析与因子分析很接近,其目的均是为了降维,以更简洁的数据去解释结果,但这两种方法其实是相 ...
ggbiplot-最好看的PCA作图：样品PCA散点+分组椭圆+主成分丰度和相关
写在前面 https://github.com/vqv/ggbiplot/blob/master/README.md 前几天在<宏基因组0>微信讨论群看到了有人发了一个上面链接,点开一看居 ...
Oja‘s PCA 用神经网络提取图片主成分进行压缩和解压
PCA的实现方法一般来说有两种方法,一种用神经网络计算 ,能绕过求关联矩阵,速度快,适合在线提取:另一种是用线代传统方法计算,缺点是计算复杂性高,不适合在线提取.当然,python和matlab都有 ...
《机器学习实战》之十三——利用PCA来简化数据
PCA目录一.前言二.降维技术三.PCA 1.PCA的数学原理 (1)向量内积与投影 (2)基 (3)基变换 (4)方差与协方差 2.PCA算法步骤 3.在numpy中实现PCA (1)零均值化 ...
机器学习实战（十一）利用PCA来简化数据
第十三章利用PCA来简化数据 13.1 降维技术 13.1.1 主成分分析(PrincipalComponentAnalysis,PCA) 13.1.2 因子分析(Factor Analysis) ...
PCA计算原特征（指标）对主成分的贡献量/权重
1. 用PCA反推原始特征对主成分的贡献量或权重使用python的sklearn包中的pca函数 # -*- coding: utf-8 -*- import os import numpy as ...
R语言主成分回归（PCR）、多元线性回归特征降维分析光谱数据和汽车油耗、性能数据...
原文链接:http://tecdat.cn/?p=24152 什么是PCR?(PCR = PCA + MLR)(点击文末"阅读原文"获取完整代码数据). • PCR是处理许多 x ...

MAT之PCA：利用PCA(四个主成分的贡献率就才达100%)降维提高测试集辛烷值含量预测准确度并《测试集辛烷值含量预测结果对比》

输出结果

实现代码

MAT之PCA：利用PCA(四个主成分的贡献率就才达100%)降维提高测试集辛烷值含量预测准确度并《测试集辛烷值含量预测结果对比》相关推荐

最新文章

热门文章