对应分析与典型相关分析CCA笔记_数学建模系列
来源:互联网 发布:淘宝商品优化 编辑:程序博客网 时间:2024/06/05 08:29
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 <- 3X.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$xcoefV <- as.matrix(X.scale[, (numVarientsFirstGroup + 1):(numVarientsFirstGroup + numVarientsSecondGroup)]) %*% X.ca$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 statistic Q[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] # statistic chi <- 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
0 0
- 对应分析与典型相关分析CCA笔记_数学建模系列
- 典型相关分析(CCA)
- 典型相关分析(CCA)
- 典型相关分析(CCA)相关资料
- 典型相关分析(Canonical Correlation Analysis, CCA)
- 算法篇----典型相关分析(CCA)理论
- Canonical Correlation Analysis(CCA) 典型相关分析
- 典型关联分析CCA
- CCA典型关联分析
- PCA主成分分析和因子分析笔记_数学建模系列
- 典型关联分析(CCA)算法原理
- 典型关联分析(CCA)原理总结
- Jordan Lecture Note-11: 典型相关分析(Canonical Correlation Analysis, CCA).
- 典型关联分析CCA(canonical correlation analysis)
- 聚类分析与判别分析十题_数学建模系列
- 典型相关分析
- 典型相关分析
- 典型相关分析
- Section 1.2 Milking Cows
- 强制去除Xcode警告
- 2016/8/14学习进度和安排
- 软件测试的方法
- selenium2.53的一些实践
- 对应分析与典型相关分析CCA笔记_数学建模系列
- 软件设计模式-—— 代理模式
- redis集群搭建及分析
- TCP和UDP协议的对比
- 寻找Coder——去哪儿2015研发工程师笔试题
- 《GeekBand》c++面向对象高级编程04
- JavaSE复习总结(四)
- ActiveMQ消息队列学习
- js框架 - 占一个位置