原文链接：http://tecdat.cn/?p=23973
原文出处：拓端数据部落公众号
R语言是一门非常方便的数据分析语言，它内置了许多处理矩阵的方法。
作为数据分析的一部分，我们要在有价证券矩阵的操作上做一些工作，只需几行代码。
有价证券数据矩阵在这里
-
-
-
-
D=read.table("secur.txt",header=TRUE)
-
M=marix(D[,2:10])
-
head(M[,1:5])
谱分解
对角线化和光谱分析之间的联系可以从以下文字中看出
-
-
-
-
> P=eigen(t(M)%*%M)$vectors
-
> P%*%diag(eigen(t(M)%*%M)$values)%*%t(P)
-
-
-
首先是这个矩阵的谱分解与奇异值分解之间的联系
-
-
> sqrt(eigen(t(M)%*%M)$values)
和其他矩阵乘积的谱分解
-
-
> sqrt(eigen(M%*%t(M))$values)
现在，为了更好地理解寻找有价证券的成分，让我们考虑两个变量
-
-
-
> sM=M[,c(1,3)]
-
> plot(sM)
-
我们对变量标准化并减少变量（或改变度量）非常感兴趣
-
-
-
> sMcr=sM
-
> for(j in 1:2) sMcr[,j]=(sMcr[,j]-mean(sMcr[,j]))/sd(sMcr[,j])
-
> plot(sMcr)
-
在对轴进行投影之前，先介绍两个函数
-
> pro_a=funcion(x,u
-
+ ps=ep(NA,nrow(x))
-
+ for(i i 1:nrow(x)) ps[i=sm(x[i*u)
-
+ return(ps)
-
+ }
-
-
> prj=function(x,u){
-
+ px=x
-
+ for(j in 1:lngh(u)){
-
+ px[,j]=pd_cal(xu)/srt(s(u^2))u[j]
-
+ }
-
+ return(px)
-
+ }
-
例如，如果我们在 x 轴上投影，
-
-
-
-
> point(poj(scr,c(1,0))
-
-
-
然后我们可以寻找轴的方向，这为我们提供具有最大惯性的点
-
> iner=function(x) sum(x^2)
-
> Thta=seq(0,3.492,length=01)
-
> V=unlslly(Theta,functinheta)ietie(roj(sMcrc(co(thet)sinheta)))
-
> plot(Theta,V,ype='l')
-
-
-
-
> (ange=optim(0,fun(iothet) -ertieprojsMcrc(s(teta),
-
si(ta)))$ar)
-
-
-
通过画图，我们得到
-
-
-
> plot(Mcr)
请注意，给出最大惯性的轴与谱分解的特征向量有关（与最大特征值相关的轴）。
-
>(cos(ngle),sin(ange))
-
[1] 0.7071 0.7070
-
> eigen(t(sMcr)%*%sMcr)
在开始主成分分析之前，我们需要操作数据矩阵，进行预测。
最受欢迎的见解
1.matlab偏最小二乘回归(PLSR)和主成分回归(PCR)
2.R语言高维数据的主成分pca、 t-SNE算法降维与可视化分析