主成分中的综合得分是用来干嘛的，为什么要算这个，请简单举例分析

0 这是原始数据,以备检验

  9034200  5245500 10109100  1927200     8200     1610 19743500      017

   490300   197300   203500  1031300     3420      710 59207700      000

   673500  2113900   376700   178000     3610      820 72639600      000

  4945400  3624100  8155700  2250400     9810     2590 34822600      098

 13919000 20350500 21589800  1060900     9320     1260 13957200      063

  1221500  1621900  1035100   638200     6250      870 14581800      007

   237200   657200   810300  1232900    18440     2220  2092100      015

  1106200  2307800  5493500  2380400    37040     4100  6548600      026

  1711100  2390700  5210800  2179600    22150     2150  6380600      028

   120600   393000   612600  1558600    33040     2950   184000      044

   215000   570400   620000  1087000    18420     1200   891300      027

   525100   615500  1038300  1687500    14640     2750  7879600      015

  1434100  1320300  1939600  1469100     9460     1780   635400      157

1 这是原始数据的标准化结果

        1501      038474       09344       07508     -062952     -031463     0056399     -047047

     -053684     -055797     -068672      -06214      -10781      -12169       17483      -08466

     -049314     -020006     -065838      -19283      -10603      -11066       23242      -08466

      052579     0081954      061471       12458     -047842      066782      070288        1339

       26662       32055       28133     -057606     -052441     -066551     -019168      054443

     -036243     -029194     -055063      -12235     -081253      -10565      -01649     -070638

     -059721     -047209     -058742     -031262      033151       02969     -070037     -051498

     -038993     -016385      017902       14449       20771       21816      -05093     -026793

     -024565     -014837      013276       11374       06797      022672     -051651       -0239

     -062502     -052143     -061977      018623       17017       10287     -078217      011933

      -06025      -04883     -061856     -053608      032963     -072566     -075185     -024345

     -052854     -047988      -05501      038366    -0025123      082822     -045224      -05172

     -031172     -034826      -04026     0049154     -051127     -014421     -076282       26499

2 这是原始数据的相关系数矩阵

            1      091962      096201      010887     -028858     -016632    00067192      021396

      091962            1      094676    -0055032     -019728     -017094    -0014926      018553

      096201      094676            1      023295     -010361    00041839    -0078094      024666

      010887    -0055032      023295            1      055986      078087     -044968      030089

     -028858     -019728     -010361      055986            1      082664     -060877    -0029523

     -016632     -017094    00041839      078087      082664            1     -049215      017422

    00067192    -0014926    -0078094     -044968     -060877     -049215            1     -029986

      021396      018553      024666      030089    -0029523      017422     -029986            1

3 这是原始数据的特征值 (降序排列):

       31049       28974      093022      064212      030408     0086598     0032184    00024418

4 这是原始数据的特征向量,每列为对应于上面相应特征值的向量:

      047665      029599      010419     0045303      018422     0065854      075762        0245

      047281      027789      016298     -017443     -030545     0048451     -051841      052711

      042385      037795      015626      005867    -0017475    -0099048     -017404     -078054

     -021289      045141   -00085443      051609      053941     -028786     -024943      022013

     -038846      033094      032113     -019942      -04499     -058229      023297     0030623

     -035243      040274      014514      027926     -031684      071357     0056436    -0042355

      021483     -037741      014046      075817      -04182     -019359     0052842      004116

     0055034      027274     -089116     0071855      -03222     -012217     0067111   -00032996

5 这是判别结果,依次为: 特征值, 累计百分率, 主成分表达式

  Lamda( 1)=  31049; PerCent =  3881%; Y( 1) = 04767  X1 + 04728  X2 + 04238  X3 - 02129  X4 - 03885  X5 - 03524  X6 + 02148  X7 + 00550  X8

  Lamda( 2)=  28974; PerCent =  7503%; Y( 2) = 02960  X1 + 02779  X2 + 03780  X3 + 04514  X4 + 03309  X5 + 04027  X6 - 03774  X7 + 02727  X8

  Lamda( 3)=  09302; PerCent =  8666%; Y( 3) = 01042  X1 + 01630  X2 + 01563  X3 - 00085  X4 + 03211  X5 + 01451  X6 + 01405  X7 - 08912  X8

  Lamda( 4)=  06421; PerCent =  9468%; Y( 4) = 00453  X1 - 01744  X2 + 00587  X3 + 05161  X4 - 01994  X5 + 02793  X6 + 07582  X7 + 00719  X8

  Lamda( 5)=  03041; PerCent =  9848%; Y( 5) = 01842  X1 - 03054  X2 - 00175  X3 + 05394  X4 - 04499  X5 - 03168  X6 - 04182  X7 - 03222  X8

  Lamda( 6)=  00866; PerCent =  9957%; Y( 6) = 00659  X1 + 00485  X2 - 00990  X3 - 02879  X4 - 05823  X5 + 07136  X6 - 01936  X7 - 01222  X8

  Lamda( 7)=  00322; PerCent =  9997%; Y( 7) = 07576  X1 - 05184  X2 - 01740  X3 - 02494  X4 + 02330  X5 + 00564  X6 + 00528  X7 + 00671  X8

  Lamda( 8)=  00024; PerCent = 10000%; Y( 8) = 02450  X1 + 05271  X2 - 07805  X3 + 02201  X4 + 00306  X5 - 00424  X6 + 00412  X7 - 00033  X8

6 这是各主成分向量、每个样本的主成分综合计算得分、排序

    SAMPLE      PCA1      PCA2      PCA3      PCA4      PCA5      PCA6      PCA7      PCA8     SCORE        SN

   SAMPLE1    14752    07586    05380    04898    10586   -00026    03949    00044    09910         2

   SAMPLE2    04982   -25916    02283    08519    01606   -02911   -01272    00669   -06479        11

   SAMPLE3    10564   -32255    04094    05825   -09300    00594    00822   -00240   -06982        13

   SAMPLE4    04599    11836   -09977    15996    00114    00746   -00086   -00520    06207         3

   SAMPLE5    45285    22624    04676   -07581   -04963    00191   -01211    00226    25514         1

   SAMPLE6    03300   -17736    00311   -09380    03689    02062   -00273   -00668   -05698        10

   SAMPLE7   -11025   -03179    02818   -06917    00914    03033   -00051   -00350   -05591         9

   SAMPLE8   -21950    22441    10992    05568   -05719    00113   -00399   -00524    01116         4

   SAMPLE9   -08412    08957    03529    01285    05266   -04687   -02882   -00009    00631         5

  SAMPLE10   -20319    08252    02311   -05141   -06475   -01786    02794    00727   -05295         8

  SAMPLE11   -07133   -07556   -01226   -11110    02343   -03822    00178   -00295   -06491        12

  SAMPLE12   -12014    00303    02870    00817    03704    06423   -01693    00786   -03950         7

  SAMPLE13   -02630    04643   -28063   -02779   -01766    00071    00125    00154   -02891         6

根据排序得分，可以进行判断重要性啊或者主要问题所在啊。

1

1>从定义证明

2>反证法,设有Ax在F外

3>根据2>,区域小于有限并

4>同2>

5>差运算性质忘记了

2

1>P(A)+P(B)=P(AB)+P(A∪B)

而P(A∪B)根据1>

P(A1A2An)≥P(A)+P(A2An)-1 ≥P(A)+P(B)+P(A3An)-2≥……≥P(A1)+P(A2)++P(An)-(n-1) ,得证

3

对立事件的定义忘记了

得到的方差百分比就是贡献率，累计百分比就是累计贡献率，成分矩阵用来判定主成分。

贡献率指有效或有用成果数量与资源消耗及占用量之比，即产出量与投入量之比，或所得量与所费量之比。计算公式：贡献率（%）=贡献量（产出量，所得量）/投入量（消耗量，占用量）×100%贡献率也用于分析经济增长中各因素作用大小的程度。

成分矩阵（component matrix）由主成分法得到的因素负荷矩阵。采用同一组被试进行比较时，必须保证两种实验处理之间没有相互影响，同时要平衡位置顺序。

扩展资料

主成分分析的主要作用

1、主成分分析能降低所研究的数据空间的维数。即用研究m维的Y空间代替p维的X空间(m<p)，而低维的Y空间代替高维的x空间所损失的信息很少。即：使只有一个主成分Yl(即 m=1)时，这个Yl仍是使用全部X变量(p个)得到的。

例如要计算Yl的均值也得使用全部x的均值。在所选的前m个主成分中，如果某个Xi的系数全部近似于零的话，就可以把这个Xi删除，这也是一种删除多余变量的方法。

2、有时可通过因子负荷aij的结论，弄清X变量间的某些关系。

3、多维数据的一种图形表示方法。我们知道当维数大于3时便不能画出几何图形，多元统计研究的问题大都多于3个变量。要把研究的问题用图形表示出来是不可能的。

然而，经过主成分分析后，我们可以选取前两个主成分或其中某两个主成分，根据主成分的得分，画出n个样品在二维平面上的分布况，由图形可直观地看出各样品在主分量中的地位，进而还可以对样本进行分类处理，可以由图形发现远离大多数样本点的离群点。

4、由主成分分析法构造回归模型。即把各主成分作为新自变量代替原来自变量x做回归分析。

5、用主成分分析筛选回归变量。回归变量的选择有着重的实际意义，为了使模型本身易于做结构分析、控制和预报，好从原始变量所构成的子集合中选择最佳变量，构成最佳变量集合。用主成分分析筛选变量，可以用较少的计算量来选择量，获得选择最佳变量子集合的效果。

-贡献率

-成分矩阵

-主成分分析

我也想知道，你现在知道了么，就是用成分矩阵除以特征根的平方根得到的主成分得分系数和采用回归方法得到的结果是否一样，因为有的讲解说是主成分得分系数矩阵可以由载荷矩阵求得，既然能求得，那为什么在得分选项中还选择回归，多此一举呢？？？由解释。

按照常理，距离断层的距离越远，滑坡越少，为什么这里的系数为（0812），同样，对于加速度（PGA,-0851），为什么是负数，负数的意思是不是表示：加速度越大，滑坡越不容易。这样理解和常识不符，但是荷载举证的系数是负值。

因子得分系数矩阵可以直接的出来的，在得分（score）那个选项里面有显示因子得分系数矩阵那一项。matlab使用主成分分析的话，主要考虑特征值占比近85的几个特征值，它们对应的也就是前几列得分系数。

扩展资料：

在因子分析中，通常只选其中m个（m<p）主因子，即根据变量的相关选出第一主因子ƒ1，使其在各变量的公共因子方差中所占的方差贡献为最大，然后消去这个因子的影响，而从剩余的相关中，选出与之不相关的因子，使其在各个变量的剩余因子方差贡献中为最大，如此往复，直到各个变量公共因子方差被分解完毕为止。

-因子载荷