pca金融数据分析 - 经验交流

pca主成分分析是应用最广泛的数据降维算法。pca什么是主成分分析？pca主成分分析(PCA) ，即主成分分析方法，是应用最广泛的数据降维算法，如何理解主成分分析法(PCA)什么是主成分分析法？主成分分析法:英文全称Principal component analysis，缩写为PCA ，从名字就能看出来，这是一种专注于分析的方法。
1、统计学方法:主成分分析(PCA【pca金融数据分析】本文重点介绍了降维中常用的统计分析方法之一:主成分分析。对于影响31个城市综合评价的8个指标，采用主成分分析法确定8个指标的权重，并用SPASS和Python进行运算。Principalcomponentsanalysis的思想是通过线性组合(矩阵旋转)将原始变量转化为若干个行无关变量，新生成的变量包含了原始变量的大部分信息，从而达到降维的目的。
在实际使用中，如果变量之间的数据波动较大，就需要对数据进行归一化处理。但在标准化的过程中，一些原本描述变量间离差差异的信息会被抹去。所以标准化要看实际使用场景。主成分分析不要求数据服从正态分布，主要采用线性变换技术，因为它的应用范围很广。通过对原始变量的综合和简化，可以客观地确定各指标的权重，避免主观判断的随意性。
2、如何理解主成分分析法(PCA什么是PrincipalComponentAnalysis？主成分分析(Principal component analysis):主成分分析的英文全称简称PCA ，从名字就能看出来。这是一种专注于分析的方法。主成分分析是通过适当的数学变换，使新变量的主成分成为原变量的线性组合，在总的变异信息中选取少数几个比例较大的主成分来分析事物的方法。主成分在变异信息中所占的比重越大，其在综合评价中的作用就越大。总体思路是化繁为简，抓住问题的关键，即降维。
解题:由于每个变量都在一定程度上反映了所研究问题的一些信息，而且指标之间有一定的相关性，所以得到的统计数据所反映的信息有一定程度的重叠。用统计方法研究多元问题时，变量过多会增加计算量和分析问题的复杂性。人们希望在定量分析的过程中，涉及的变量越少，获得的信息越多。为了尽可能减少冗余和噪声，我们一般可以选择其中一个相关变量，或者将几个相关变量组合成一个变量作为代表，用少数几个变量代表所有变量。
3、主成成分分析(PCA主成分分析(PCA)是最常见的降维算法。在PCA中，我们需要做的是找到一个向量方向。当我们将所有的数据投影到这个向量上时，我们希望投影的平均均方误差能够尽可能的小。方向向量是经过原点的向量，投影误差是从特征向量到方向向量的垂直线的长度。主成分分析的问题描述如下:问题是将维度数据降维，目标是找到向量，