主成分分析法的优缺点 主成分分析法的优缺点有哪些

主成分分析法与模糊分析法侧重点有什么不同？

LDA主成分（二）简单排序法的作 首先，拟定考核的项目。 第二步，就每项内容对被考核人进行评定，并排出序列。 第三步，把每个人各自考核项目的序数相加，得出各自的排序总分数与名次。分析是一种线性降维算法，也是一种常用的数据预处理方法。的局限性：

什么是主成分分析

PCA可以很好的解除线性相关，但是对于高阶相关性就没有办法了，对于存在高阶相关性的数据，可以考虑Kernel PCA，通过Kernel函数将非线性相关转为线性相关。

特征提取（或称特征抽取）一般做两方面的工作：

主成分分析法的优缺点 主成分分析法的优缺点有哪些

主成分分析法的优缺点 主成分分析法的优缺点有哪些

（一）对于目标管理的认识

2、主成分分析法。主成分分析是多元统计分析的一个分支。是将其分量相关的原随机向量，借助于一个正交变换，转化成其分量不相关的新随机向量，并以方作为信息量的测度，对新随机向量进行降维处理。再通过构造适当的价值函数，进一步做系统转化。1、对原始数据进行某种变换。

2、在变换的过程中使不同的类别（或不同样本）具有相对较好的区分性。

PCA的局限性：

各个主成分特征是原始特征的线性组合，其含义具有一定的模糊性，不如原始样本特征的解释性强。方小的非主成分也可能含有对样本异的重要信息，因降维丢弃可能对后续数据处理有影响。

传统的线性鉴别分析和主成分分析均只作用于对一维数据即矢量数据进行特证抽取，由此带来诸多不便。如我们要处理的数据是200×200大小的图像矩阵，那应用这两个方法之前，我们必须把每一个图像转换为一个40000维的矢量。

在此基础上，主成分分析对应的协方矩阵为一个40000×40000的矩阵，这是一个的数字，无论是计算协方矩阵还是计算协方矩阵的特征向量都将耗费巨大的计算资源。面对上述图像矩阵时，线性鉴别分析也存在一样的难题，而且过之而不及。

冗余分析和主成分分析的区别

主成分分析法主要适用于定量指标的分析，侧重于计算每个因素的贡献度，以及将多个因素合成为一个或几个因素（主成分）进行分析，根据主成分得分进行排序；模糊分析法对定量指标和定性指标都适用，侧重于评价结果，对每个因素进行等级评价，通过模糊评价矩阵确定的主次排序。

主成分分析法和层次分析法异同 1.基于相关性分析的指标筛选原理 两个指标之间的相关系数，反映了两个指标之间的相关性。相关系数越大，两个指标反映的信息相关性就越高。而为了使评价指标体系简洁有效，就需要避免指标反映信息重复。通过计算同一准则层中各个评价指标之间的相关系数，删除相关系数较大的指标，避免了评价指标所反映的信息重复。通过相关性分析，简化了指标体系，保证了指标体系的简洁有效。 2.基于主成分分析的指标筛选原理 （1）因子载荷的原理 通过对剩余多个指标进行主成分分析，得到每个指标的因子载荷。因子载荷的小于等于1，而越是趋向于1，指标对评价结果越重要。 （2）基于主成分分析的指标筛选原理 因子载荷反映指标对评价结果的影响程度，因子载荷越另外，PCA设数据各主特征是分布在正交方向上，如果在非正交方向上存在几个方较大的方向，PCA的效果就大打折扣了。关键绩效指标(KPI, Key Performance Indicator)是通过对组织内部流程的输入端、输出端的关键参数进行设置、取样、计算、分析，衡量流程绩效的一种目标式量化管理指标，是把企业的战略目标分解为可作的工作目标的工具。KPI法符合一个重要的管理原理——“二八原理”。即 80%的工作任务是由20%的关键行为完成的。因此，必须抓住20%的关键行为，对之进行分析和衡量，这样就能抓住业绩评价的重心。大表示指标对评价结果越重要，越应该保留；反之，越应该删除。通过对相关性分析筛选后的指标进行主成分分析，得到每个指标的因子载荷，从而删除因子载荷小的指标，保证筛选出重要的指标。 3.相关性分析和主成分分析相同点 一是，基于相关性分析的指标筛选和基于主成分分析的指标筛选，均是在准则层内进行指标的筛选处理，准则层之间不进行筛选。这种做法的原因是，通过人为地划分不同准则层，反映评价事物不同层面的状况，避免误删反应信息不同的重要指标。 二是，基于相关性分析的指标筛选和基于主成分分析的指标筛选的思路，均是筛选出少量具有代表性的指标。 4.相关性分析和主成分分析不同点 一是，两次筛选的目的不同：基于相关性分析的指标筛选的目的是删除反应信息冗余的评价指标。基于主成分分析的指标筛选的目的是删除对评价结果影响较小的评价指标。 二是，两次筛选的作用不同：基于相关性分析的指标筛选的作用是保证蹄选出的评价指标体系简洁明快。基于主成分分析的指标简选的目的是筛选出重要的指标。

因子分析法和主成分分析法的区别与联系

指标（变量）之间存在程度不同的相似性（亲疏关系——以样品间距离衡量）。于是根据一批样品的多个观测指标，具体找出一些能够度量样品或指标之间相似程度的统计量，以这些统计量为划分类型的依据。把一些相似程度较大的样品（或指标）聚合为一类，把另外一些彼此之间相似程度较大的样品（或指标）又聚合为另一类，直到把所有的样品（或指标）聚合完毕，这就是分类的基本思想。 在聚类分析中，通常我们将根据分类对象的不同分为Q型聚类分析和R型聚类分析两大类。

主成分分析和因子分析都是信息浓缩的方法，即将多个分析项信息浓缩成几个概括性指标。

因子分子提取的公因子比主成份提取的主成分更具有可解释性。作完探索性因子分析后就可以作确定性因子分析建立模型来明确潜在因子分析之间的关联性。

SPSSAU可直接使用这两种方法，支持自动保存因子得分及综合得分，不需要手动计算。

因子分析的基本目的就是用少数几个因子去描述许多指标或因素之间的联系，即将相关比较密切的几个变量归在同一类中，每一类变量就成为一个因子，以较少的几个因子反映原资料的大部分信息。运用这种研究技术，我们可以方便地找出影响消费者购买、消费以及满意度的主要因素是哪些，以及它们的影响力。运用这种研究技术，我们还可以为市场细分做前期因子分子提取的公因子比主成份提取的主成分更具有可解释性。作完探索性因子分析后就可以作确定性因子分析建立模型来明确潜在因子分析之间的关联性。分析。

主成分分析法主成分最重要吗

重要（4）进行考核打PCA与LDA的局限性：五、目标管理法分。。

评价方法 评价方法介绍

Scores.xlsx （文末获取文件链接） 包含了约70名学生的全科考试成绩。其中每名学生是一个的样本，每门学科的成绩都是一个数据维度（共有13门成绩）。目在算法上，主成分分析和因子分析很类似，不过，在因子分析中所采用的协方矩阵的对角元素不再是变量的方，而是和变量对应的共同度（变量方中被⑴打破了由上级考核下属的传统考核制度，可以避免传统考核中考核者极容易发生的“光环效应”、“居中趋势”、“偏紧或偏松”、“个人偏见”和“考核盲点”等现象。⑵一个员工想要影响多个人是困难的，管理层获得的信息更准确。⑶可以反映出不同考核者对于同一被考核者不同的看法。⑷防止被考核者急功近利的行为（如仅仅致力于与薪金密切相关的业绩指标）。⑸较为全面的反馈信息有助于被考核者多方面能力的提升。360度考核法实际上是员工参与管理的方式，在一定程度上增加他们的自主性和对工作的控制，员工的积极性会更高，对组织会更忠诚，提高了员工的工作满意度。各因子所解释的部分）。的是通过分析学生的考试成绩来判断学生的类别（理科、文科生，和体育、艺术特长生）。

4、模糊评价法。模糊评价法奠基于模糊数学。它不仅可对评价对象按综合分值的大小进行评价和排序，而且还可根据模糊评价集上的值按隶属度原则去评定对象的等级。

冗余分析和主成分分析的区别

四、工主成分等级越高，产生的方越大。产生方的主成分即为主成分。产生方第二大的成分即为第二主成分。作记录法

主成分分析法和层次分析法异同 1.基于相关性分析的指标筛选原理 两个指标之间的相关系数，反映了两个指标之间的相关性。相关系数越大，两个指标反映的信息相关性就越高。而为了使评价指标体系简洁有效，就需要避免指标反映信息重复。通过计算同一准则层中各个评价指标之间的相关系数，删除相关系数较大的指标，避免了评价指标所反映的信息重复。通过相关性分析，简化了指标体系，保证了指标体系的简洁有效。 2.基于主成分分析的指标筛选原理 （1）因子载荷的原理 通过对剩余多个指标进行主成分分析，得到每个指标的因子载荷。因子载荷的小于等于1，而越是趋向于1，指标对评价结果越重要。 （2）基于主成分分析的指标筛选原理 因子载荷反映指标对评价结果的影响程度，因子载荷越大表示指标对评价结果越重要，越应该保留；反之，越应该删除。通过对相关性分析筛选后的指标进行主成分分析，得到每个指标的因子载荷，从而删除因子载荷小的指标，保证筛选出重要的指标。 3.相关性分析和主成分分析相同点 一是，基于相关性分析的指标筛选和基于主成分分析的指标筛选，均是在准则层内进行指标的筛选处理，准则层之间不进行筛选。这种做法的原因是，通过人为地划分不同准则层，反映评价事物不同层面的状况，避免误删反应信息不同的重要指标。 二是，基于相关性分线性鉴别分析中类间散布矩阵与类内散布矩阵的大小均为40000×40000，而且还需要计算类内散布矩阵的逆矩阵，计算量的巨大可想而知。析的指标筛选和基于主成分分析的指标筛选的思路，均是筛选出少量具有代表性的指标。 4.相关性分析和主成分分析不同点 一是，两次筛选的目的不同：基于相关性分析的指标筛选的目的是删除反应信息冗余的评价指标。基于主成分分析的指标筛选的目的是删除对评价结果影响较小的评价指标。 二是，两次筛选的作用不同：基于相关性分析的指标筛选的作用是保证蹄选出的评价指标体系简洁明快。基于主成分分析的指标简选的目的是筛选出重要的指标。

主成分分析和共同因素分析有什么不同，它俩都是因子分析的一种，有什么区别呢

1、因子分析是指研究从变量群中提取共性因子的统计技术。最早由英国心理学家C.E.斯皮尔曼提出。他发现学生的各科成绩之间存在着一定的相关性，一科成绩好的学生，往往其他各科成绩也比较好，从而推想是否存在某些潜在的共性因子，或称某些一般智力条件影响着学生的学习成绩。因子分析可在许多变量中找出隐藏的具有代表性的因子。将相同本质的变量归入一个因子，可减少变量的数目，还可检验变量间关系的设。

这问题牛啊，我不懂：

聚类分析法是理想的多变量统计技术，主要有分层聚类法和迭代聚类法。 聚类分析也称群分析、点群分析，是研究分类的一种多元统计方法。

这是我从百度百科里面抄的：

主成分分析也称主分量分析，旨在利用降维的思想，把多指标转化为少数几个综合指标。在实证问题研究中，为了全面、系统地分析问题，我们必须考虑众多影响因素。这些涉及的因素一般称为指标，在多元统计分析中也称为变量。因为每个变量都在不同程度上反映了所研究问题的某些信息，并且指标之间彼此有一定的相关性，因而所得的统计数据反映的信息在一定程度上有重叠。在用统计方法研究多变量问题时，变量太 多会增加计算量和增加分析问题的复杂性，人们希望在进行定量2．目标管理的优点 目标管理法的优点较多，也有一定的局限性。分析的过程中，涉及的变量较少，得到的信息量较多。

因素分析法（Factor Analysis Approach），又称指数因素分析法，是利用统计指数体系分析现象总变动中各个因素影响程度的一种统计分析方法，包括连环替代法、额分析法、指标分解法、定基替代法。 因素分析法是现代统计学中一种重要而实用的方法，它是多元统计分析的一个分支。使用这种方法能够使研究者把一组反映事物性质、状态、特点等的变量简化为少数几个能够反映出事物内在联系的、固有的、决定事物本质特征的因素。因素分析法的功用，就是运用数学方法对可观测的事物在发展中所表现出的外部特征和联系进行由表及里、由此及彼、去粗取精、去伪存真的处理，从而得出客观事物普遍本质的概括。其次，使用因素分析法可以使复杂的研究课题大为简化，并保持其基本的信息量。

核主成分分析和主成分分析的区别

强制分配法，是按预先规定的比例将被评价者分配到各个绩效类别上的方法。这种方法根据统计学正态分布原理进行，其特点是两边的分、分者很少，处于中间者居多。

含义概念不一样。

（1）确定考核项目。

主成分分析是最重要的降维方法之一。在数据压缩消除冗余和数据噪音消除等领域都有广泛的应用。核主成分分析利用核技巧将d维线性不可分的输入空间映射到线性可分的高维特征空间中，然后对特征空间进行PCA降维。

主成分分析目的在于信息浓缩（但不太关注主成分与分析项对应关系），权重计算，以及综合得分计算。如希望进行排名比较，计算综合竞争力，可使用主成分分析。

核主成分分析，是对PCA算法的非线性扩展，言外之意，PCA是线性的，其对于非线性数据往往显得无能为力，例如，不同人之间的人脸图像，肯定存在非线性关系。

主成分分析法适用于哪些问题

主成分分析法适用于变量间有较强相关性的数据，若原始数据相关性弱，则起不到很好的降维作用，降维后，存在少量信息丢失，2、根据变量的分类结果以及它们之间的关系，可以选择主要变量进行回归分析或Q型聚类分析。不可能包含原始数据。

主成分分析是一种统计方法，即通过正交变换将一组可能存在相关性的变量转换为一组线性不相（三）目标管理法的实因子分析在主成分基础上，多出一项旋转功能，该旋转目的即在于命名，更容易解释因子的含义。如果研究关注于指标与分析项的对应关系上，或是希望将得到的指标进行命名，SPSSAU建议使用因子分析。施步骤 1.确定工作职责范围 2.确定具体的目标值 3.审阅确定目标 4.实施目标 5.小结关的变量，转换后的这组变量叫主成分。主成分分析首先是由K.皮尔森对非随机变量引入的，而后H.霍特林将此方法推广到随机向量的情形。