权重确定方法四:主成分分析法确定权重(PCA)
我想在列车里和你相爱
阳光流淌
都漫过我们的灵魂尽头
然后看着人间
安静的盛开在一扇窗里
目录
1.原理介绍
2.步骤详解
2.1 确定指标在各主成分线性组合中的系数
2.2 利用主成分的方差贡献率确定综合得分模型系数
2.3 指标权重归一化
3. 案例分析
3.1 数据获取
3.2 确定指标在各主成分线性组合中的系数
3.3 利用主成分的方差贡献率确定综合得分模型系数
3.4 指标权重归一化
4. 完整代码(Java)
1.原理介绍
在阅读本文前建议先阅读上一篇文章 “数据降维:主成分分析法(PCA)”,因为在本文中需要用到部分数据降维中的数据。
用主成分分析确定权重有:指标权重等于以主成分的方差贡献率为权重,对该指标在各主成分线性组合中的系数的加权平均的归一化。
因此,要确定指标权重需要知道三点:
A.指标在各主成分线性组合中的系数
B.主成分的方差贡献率
C.指标权重的归一化
通过前文利用主成分分析对数据降维我们可以得到以下数据:
A.前p个主成分的特征值以及对应的特征向量
B.前p个主成分特征值各自的方差贡献率
2.步骤详解
2.1 确定指标在各主成分线性组合中的系数
假设现有一组数据,有n个指标,m条待评价对象。
用主成分分析法可以的到前p个主成分以及其对应的特征值 和特征向量 。
则每个主成分中对应指标的系数为:
每个主成分都可以用如下的线性组合表示:
2.2 利用主成分的方差贡献率确定综合得分模型系数
记前p个主成分特征值的方差贡献率为,综合得分模型系数为(对应每个指标的综合系数),则:
则,得到综合得分模型为:
2.3 指标权重归一化
3. 案例分析
3.1 数据获取
本文所用数据均为上文数据降维:主成分分析法(PCA)所计算结果:
p1 | p2 | p3 | p4 | p5 | p6 | p7 | |
特征值 | 2045.737 | 1273.595 | 950.6142 | 821.2534 | 361.4991 | 260.859 | 175.7022 |
贡献率 | 34.43% | 21.44% | 16.00% | 13.82% | 6.08% | 4.39% | 2.96% |
特征向量 | 0.414 | -0.13 | 0.041 | 0.193 | -0.125 | 0.768 | 0.077 |
-0.282 | -0.483 | 0.07 | -0.009 | -0.733 | -0.082 | -0.328 | |
-0.357 | 0.296 | 0.454 | 0.245 | -0.109 | 0.406 | -0.181 | |
-0.264 | -0.08 | -0.466 | 0.657 | 0.303 | 0.006 | -0.404 | |
-0.539 | -0.189 | 0.259 | -0.046 | 0.22 | -0.019 | 0.373 | |
0.096 | -0.012 | -0.455 | 0.219 | -0.402 | -0.082 | 0.46 | |
0.066 | -0.571 | 0.27 | 0.396 | 0.187 | -0.058 | 0.402 | |
-0.166 | 0.539 | 0.07 | 0.369 | -0.312 | -0.131 | 0.355 | |
0.468 | 0.059 | 0.467 | 0.358 | -0.044 | -0.459 | -0.228 |
3.2 确定指标在各主成分线性组合中的系数
//计算每个指标在不同主成分线性组合中的系数public double[][] coefficient(double[][] comp){double[][] coeff = new double[comp.length-1][comp[0].length];//每列存储每个主成分对应的系数var = new double[comp[0].length];for(int j=0;j<coeff[0].length ;j++) {var[j] = comp[0][j];for(int i=1;i<coeff.length ;i++) {coeff[i-1][j] = comp[i][j]/Math.sqrt(comp[0][j]);}}return coeff;}
输出:
3.3 利用主成分的方差贡献率确定综合得分模型系数
public double[] var_cont(double[][] coefficient) {double[] cont = new double[var.length];//每个特征值对应的贡献率double[] var_cont = new double[coefficient.length];double total = 0;double sum = 0;System.out.println("请按以下特征值顺序依次输入对应的贡献率!");for(int i=0;i<var.length ;i++) {System.out.print(var[i]+" ");}System.out.println();for(int i=0;i<var.length ;i++) {cont[i] = input.nextDouble();}for(int i=0;i<coefficient.length ;i++) {for(int j=0;j<coefficient[0].length ;j++) {sum += coefficient[i][j]*cont[j];total += cont[j];}var_cont[i] = sum/total;}return var_cont;}
输出:
3.4 指标权重归一化
在此模块做了一点变动,由于在计算过程中存在负数,导致最后求得的权重也存在负数,所以在此我们找出负数中最小的值,让每一个数都加上该值得绝对值,在进行运算。
/*归一化权重* varcont:综合得分模型系数*/public double[] unifor(double[] varcont) {double sum=0;double min=varcont[0];for(int i=0;i<varcont.length ;i++) {if(varcont[i] < min) {min =varcont[i];}}//若果没有负数则不做变动if(min >= 0) {min = 0;}for(int i=0;i<varcont.length ;i++) {sum += varcont[i]+Math.abs(min);}for(int i=0;i<varcont.length ;i++) {varcont[i] = (varcont[i]+Math.abs(min))/sum;}return varcont;}
输出:
4. 完整代码(Java)
package pca_weight;import java.io.FileInputStream;
import java.io.IOException;
import java.io.InputStream;
import java.util.Scanner;import jxl.Cell;
import jxl.Sheet;
import jxl.Workbook;
import jxl.read.biff.BiffException;
import jxl.write.WriteException;/** 输入为成分矩阵,即前m个特征值及其对应的特征向量组成的矩阵* 其中第一行为特征值,每列除第一行外其余为该特征值对应的特征向量*/public class PCA_weight {int rows,cols;double[] var;//存储特征值Scanner input = new Scanner(System.in);//输出一维矩阵public void matrixoutput1(double[] x) {for(int i=0;i<x.length;i++) {System.out.print(String.format("%.3f\t", x[i]));}System.out.println();}//输出二维矩阵public void matrixoutput(double[][] x) {for(int i=0;i<x.length;i++) {for(int j=0;j<x[0].length;j++) {System.out.print(String.format("%.3f\t", x[i][j]));}System.out.println();}}//读取数据public double[][] read(String filepath) throws IOException, BiffException,WriteException {//创建输入流InputStream stream = new FileInputStream(filepath);//获取Excel文件对象Workbook rwb = Workbook.getWorkbook(stream);//获取文件的指定工作表 默认的第一个Sheet sheet = rwb.getSheet("Sheet1");rows = sheet.getRows();cols = sheet.getColumns();double[][] componentMartix = new double[rows][cols];//成分矩阵//row为行for(int i=0;i<sheet.getRows();i++) {for(int j=0;j<sheet.getColumns();j++) {String[] str = new String[sheet.getColumns()];Cell cell = null;cell = sheet.getCell(j,i); str[j] = cell.getContents();componentMartix[i][j] = Double.valueOf(str[j]);}}return componentMartix;//返回原始矩阵}//计算每个指标在不同主成分线性组合中的系数public double[][] coefficient(double[][] comp){double[][] coeff = new double[comp.length-1][comp[0].length];//每列存储每个主成分对应的系数var = new double[comp[0].length];for(int j=0;j<coeff[0].length ;j++) {var[j] = comp[0][j];for(int i=1;i<coeff.length ;i++) {coeff[i-1][j] = comp[i][j]/Math.sqrt(comp[0][j]);}}return coeff;}public double[] var_cont(double[][] coefficient) {double[] cont = new double[var.length];//每个特征值对应的贡献率double[] var_cont = new double[coefficient.length];double total = 0;double sum = 0;System.out.println("请按以下特征值顺序依次输入对应的贡献率!");for(int i=0;i<var.length ;i++) {System.out.print(var[i]+" ");}System.out.println();for(int i=0;i<var.length ;i++) {cont[i] = input.nextDouble();}for(int i=0;i<coefficient.length ;i++) {for(int j=0;j<coefficient[0].length ;j++) {sum += coefficient[i][j]*cont[j];total += cont[j];}var_cont[i] = sum/total;}return var_cont;}/*归一化权重* varcont:综合得分模型系数*/public double[] unifor(double[] varcont) {double sum=0;double min=varcont[0];for(int i=0;i<varcont.length ;i++) {if(varcont[i] < min) {min =varcont[i];}}//若果没有负数则不做变动if(min >= 0) {min = 0;}for(int i=0;i<varcont.length ;i++) {sum += varcont[i]+Math.abs(min);}for(int i=0;i<varcont.length ;i++) {varcont[i] = (varcont[i]+Math.abs(min))/sum;}return varcont;}public static void main(String[] args) throws IOException, BiffException, WriteException {PCA_weight pw = new PCA_weight();System.out.println("原始数据为:");double[][] comp = pw.read("pca_weight.xls");pw.matrixoutput(comp);System.out.println("指标在不同主成分线性组合中的系数:");double[][] coefficient = pw.coefficient(comp);pw.matrixoutput(coefficient);double[] var_cont = pw.var_cont(coefficient);System.out.println("综合得分模型系数:");pw.matrixoutput1(var_cont);System.out.println("每个指标的权重依次为:");for(int i=0;i<var_cont.length;i++) {System.out.println(pw.unifor(var_cont)[i]);}}}
权重确定方法四:主成分分析法确定权重(PCA)相关推荐
- 权重确定方法之主成分分析法
转载自:http://www.itongji.cn/article/042620032013.html 什么是权重呢?所谓权重,是指某指标在整体评价中的相对重要程度.权重越大则该指标的重要性越高,对整 ...
- Python:多指标权重确定方法—熵值法
Python:多指标权重确定方法-熵值法 一.需准备的资料 1.一份excel的数据表格,列为指标(评价指标),行为城市(研究对象,也可以是年份,) city GDP:亿元x.1 人口(万)x.2 城 ...
- 熵值法计算权重有异常值_指标权重确定方法 1-熵值法
在信息论中,熵是对不确定性或随机性的一种度量,不确定性越大,熵值就越大,不确定性越小,熵值就越小.不确定性越大,表明随机性越大,数据越离散,则包含的信息就越大,在确定权重的时候往往就越小. 熵值法确定 ...
- excel熵值法计算权重_指标权重确定方法 1-熵值法
在信息论中,熵是对不确定性或随机性的一种度量,不确定性越大,熵值就越大,不确定性越小,熵值就越小.不确定性越大,表明随机性越大,数据越离散,则包含的信息就越大,在确定权重的时候往往就越小. 熵值法确定 ...
- python 求离差_指标权重确定方法之标准离差法(均方差法)
标准差(Standard Deviation) ,也称均方差(mean square error),是各数据偏离平均数的距离的平均数,它是离均差平方和平均后的方根,用σ表示.标准差是方差的算术平方根. ...
- 数学建模方法——SPSS主成分分析法
前些天发现了一个巨牛的人工智能学习网站,通俗易懂,风趣幽默,忍不住分享一下给大家,(ノ´▽`)ノ♪->点击这里->一个宝藏级人工智能教程网站. 文章目录 Ⅰ.主成分分析: 主成分与原始变量 ...
- 【地理建模】现代地理学中的数学方法:主成分分析法案例详解
- excel熵值法计算权重_SPSS主成分分析 | 权重计算amp;极差法标准化超详细教程!(下)...
权重计算 1. 上节回顾 爱数据-橙子:SPSS主成分分析 | 指标权重值计算真的不难!(上)zhuanlan.zhihu.com 在昨日中(点击复习),我们利用SPSS中的数据标准化方法及主成分分 ...
- 机器学习:(PCA)主成分分析法及应用(spss)
目录 1.1.主成分分析法简介 1.2.主成分分析法的意义 1.3.主成分分析法的思想 1.4.主成分分析法的步骤 2.1.导入数据 2.2.生成图表 3.1.PCA算法梯度求解 3.1.1. 梯度上 ...
- 数据降维1:主成分分析法思想及原理(配图版)
0x01 什么是主成分分析法 PCA(Principal Component Analysis),即主成分分析方法,是一种使用最广泛的数据降维算法(非监督的机器学习方法). 其最主要的用途在于&quo ...
最新文章
- ValueError: invalid literal for int() with base 10
- AOP 中必须明白的概念-目标对象(Target Object)
- Spring的@Configuration配置类-Full和Lite模式
- React之初始化state
- 【转】使用EBNF相对于BNF表示的优越性
- PHP 的 Git 服务器被黑客入侵,源码库将永久迁移至 GitHub!
- LeetCode 590. N叉树的后序遍历(N-ary Tree Postorder Traversal)
- python 截图 minicap_【Python】使用minicap对安卓手机快速截屏
- java 29期淘淘商城_JavaEE大型分布式电商项目 淘淘商城 29期
- CuteFTP下载大文件时报错
- SMT阻容件封装尺寸
- 用Python摘抄《大道争锋》中的诗句
- Tomcat传url地址中的特殊字符无法识别问题
- 手机浏览器HTML5测试:三星Tizen居冠、Mango垫底
- 用osworkflow写一个请假例子
- python 滤波_[开发技巧]·Python极简实现滑动平均滤波(基于Numpy.convolve)
- 学生时代应如何做好程序员
- 数字化时代,聚合支付分账系统如何进行账务管理?
- 基于c++和 opengl 鞋子定制系统
- C语言16x16点阵显示汉字程序,单片机+16x16点阵,汉字滚动显示程序(带仿真)