权重确定方法四:主成分分析法确定权重(PCA) |
您所在的位置:网站首页 › 如何利用加权计算出综合得分 › 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 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: 记前p个主成分特征值的方差贡献率为 则,得到综合得分模型为: 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: p1p2p3p4p5p6p7特征值2045.7371273.595950.6142821.2534361.4991260.859175.7022贡献率34.43%21.44%16.00%13.82%6.08%4.39%2.96%特征向量0.414-0.130.0410.193-0.1250.7680.077-0.282-0.4830.07-0.009-0.733-0.082-0.328-0.3570.2960.4540.245-0.1090.406-0.181-0.264-0.08-0.4660.6570.3030.006-0.404-0.539-0.1890.259-0.0460.22-0.0190.3730.096-0.012-0.4550.219-0.402-0.0820.460.066-0.5710.270.3960.187-0.0580.402-0.1660.5390.070.369-0.312-0.1310.3550.4680.0590.4670.358-0.044-0.459-0.228 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 |
今日新闻 |
推荐新闻 |
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |