常用主变量筛选方法及其应用特性分析

本文通过对几种常用主变量筛选方法及其应用特性进行分析可知,在选择主变量筛选方法时,要充分根据回归模型的属性、样本数据的大小、实现的难易程度及各主变量筛选方法的应用特性综合考虑选择合适的方法。

基于主变量筛选方法的学生综合评价

利用主变量筛选方法与因子分析方法对柳州铁道职业技术学院的学生部分课程的考试成绩进行统计分析并比较这两种分析方法产生的结果.结果显示,主变量筛选方法比因子分析法更适用于对大学生的课程成绩进行统计分析,较能真实地反映出学生之间的差异,从而更能客观合理评价一个大学生的综合能力.

主变量筛选法在武器型号费用数据处理中的应用

文中利用矩阵的扫描运算,提出用主变量筛选法来对武器数据分析中出现的高维随机向量进行降维处理,并给出了一个算例。该方法是不同于主成分分析法的一种新的降维方法,它能有效地减小多重共线性问题带来的影响,尤其在处理数据多重相关性突出的武器费用数据时,该方法有着良好的效果,最后,作者用一个实用算例证明了其有效性和可行性。

PVS-PSO-SVR协同模型及实证分析

针对高维随机变量信息冗余以及主成分分析降维的缺陷,用主变量筛选法对高维随机变量降维,利用提取的主变量建立了支持向量回归机(SVR)模型.对于模型的参数,利用了改进的粒子群算法进行优化选择.构建出主变量筛选(PVS)、粒子群优化(PSO)和SVR的协同模型,并用于葡萄酒的质量预测.实验证明PVS-PSO-SVR协同模型与已有的3种模型(N-CV-SVR模型、PCA-CV-SVR模型,PVS-CV-SVR模型)相比,检查误差有较大的改善,表明PVS-PSO-SVR协同模型泛化能力强、预测结果更有效.

简约指标体系下的区域创新能力评价——基于主基底变量筛选和主成分分析方法

在设计区域创新能力评价初始指标体系的基础上,采用基于主基底分析的变量筛选方法对初始指标体系进行变量筛选,构建了区域创新能力评价体系的简约变量集合,在保证原始变量信息损失尽可能小的前提下,排除所有的冗余信息,避免了变量之间的多重相关性;再利用主成分分析对简约变量集合进行二次降维,构建综合评价模型,对我国30个地区的创新能力进行排序及分析评价,得到了较好的评价结果。