摘要：
g = imadjust(f,[low_in,high_in],[low_out,high_out],gamma); %f为输入的图像 %后面两个区间表示将[low_in,high_in]之间的值映射为[low_out,high_out]之间的值 %gamma为调节权重，小于1则映射被加权至更高的值 阅读全文
posted @ 2024-10-11 19:53
West11
阅读(49)
评论(0)
推荐(0)
摘要：
只知道n个客体之间的某种距离，而不清楚具体指标的情况。 多维标度法要将这些客体在低维空间展现出来，从而揭示n个客体的真实结构。 经典多维标度 [y, eigvals] = cmdscale(d) %函数cmdscale产生两个输出，第一个Y是包含重构点的矩阵， %第二个eigvals是被称为标量积矩 阅读全文
posted @ 2024-10-11 19:53
West11
阅读(56)
评论(0)
推荐(0)
摘要：
为什么用对应分析 对数据降维是经常使用因子分析和主成分分析。 但因子分析对变量和对样本分别是R型和Q型，这两种分析方法往往是相互对立的，必须分别对样本和变量进行处理。 如果关系样本和变量之间的关系，就不好用。 这时，可用对应分析 😇 对应分析为我们可以提供三个方面的信息 变量之间的信息 样本之间的 阅读全文
posted @ 2024-10-11 19:52
West11
阅读(111)
评论(0)
推荐(0)
摘要：
典型相关分析（ Canonical Correlation analysis ） 研究两组变量（每个变量中都可能有多个指标，即每个变量都是向量）之间相关关系的一种多元统计方法，它能够揭示出两组变量之间的内在联系。 步骤 标准化数据 计算原始变量X、Y增广阵的相关系数矩阵R。 求典型相关系数以及典型变 阅读全文
posted @ 2024-10-11 19:49
West11
阅读(83)
评论(0)
推荐(0)
摘要：
根据已有的数据确定待判别数据的分类。 使用matlab的classify函数，Classify observations using discriminant analysis - MATLAB classify - MathWorks 中国。 [class,err]=classify(sample 阅读全文
posted @ 2024-10-11 19:49
West11
阅读(28)
评论(0)
推荐(0)
摘要：
因子分析是主成分分析的推广。 因子载荷矩阵估计方法 主成分分析法：《数学建模算法与应用》P243 主因子法 最大似然估计法：MATLAB : \(factoran()\)函数 方差贡献和 因子载荷矩阵中各列元素的平方和。可以衡量因子的重要性。（\(factoran()\)算不了） 因子旋转 要使因子 阅读全文
posted @ 2024-10-11 19:49
West11
阅读(70)
评论(0)
推荐(0)
摘要：
主成分分析 (PCA) - MATLAB & Simulink - MathWorks 中国 构建相关系数矩阵或协方差矩阵 两个变量的协方差\(cov(x,y)=\frac{\sum_{i=1}^n(x_i-\bar{x})(y_i-\bar{y})}{n-1}\) 协方差矩阵\(C= \begin 阅读全文
posted @ 2024-10-11 19:48
West11
阅读(35)
评论(0)
推荐(0)
摘要：
聚类分为两种：对样品分类，Q型；对变量（指标）分类，R类。 Q型 样品空间的相似度——距离 常见的距离描述方法： 欧几里得距离： MATLAB自带函数计算 d = pdist(x)%每个行向量代表一个坐标 绝对距离：\(d(x_i,y_i)=\sum_{k=1}^p|x_{ik}-x_{jk}|\) 阅读全文
posted @ 2024-10-11 19:48
West11
阅读(58)
评论(0)
推荐(0)
摘要：
灰色关联度分析法（Grey Relation Analysis），就是在一个灰色系统中，我们想要了解其中某个我们所关注的某个项目受其他的因素影响的相对强弱。 为此，需要设立母序列, 记为\(x_0\), 与子序列, 记为\(x_{1,2,……}\) 首先，对数据进行处理 正向化（省略） 标准化：\( 阅读全文
posted @ 2024-10-11 19:44
West11
阅读(244)
评论(0)
推荐(0)
摘要：
熵是热力学的一个物理概念，是体系混乱度或无序度的度量，熵越大表示系统越乱（即携带的信息越少），熵越小表示系统越有序（即携带的信息越多）。 信息熵借鉴了热力学中熵的概念，香农把信源所含有的信息量称为信息熵，用于描述平均而言事件信息量的大小，所以在数学上，信息熵是事件所包含的信息量的期望（mean，或称 阅读全文
posted @ 2024-10-11 19:44
West11
阅读(66)
评论(0)
推荐(0)
摘要：
步骤： 第一步：统一指标类型 将所有的指标转化为极大型称为指标正向化（最常用）. 第二步：标准化处理 为了消去不同指标量纲的影响，需要对已经正向化的矩阵进行标准化处理。 第三步，找到有限方案中的最优方案和最劣方案，然后分别计算各评价对象与最优方案和最劣方案间的距离，获得各评价对象与最优方案的相对接近 阅读全文
posted @ 2024-10-11 19:42
West11
阅读(87)
评论(0)
推荐(0)
摘要：
实际案例：评价银行 银行 资产收益率 费用利润率 逾期贷款率 资产使用 自有资本率 中信 0.483 13.2682 0 4.3646 5.107 光大 0.4035 13.4909 39.0131 3.6151 5.5005 浦发 0.8979 25.7776 9.0513 4.8920 7.53 阅读全文
posted @ 2024-10-11 19:41
West11
阅读(121)
评论(0)
推荐(0)
摘要：
数据指标类型 极大型（越大越好） 中间型（在中间比较好） 极小型（越少越到） 区间型（在某一个区间为好） 一般数据处理都要转化为极大型，再进行评价。 转化方法 极小型：\(x'=\frac{1}{x}\) 或者 \(x'=M-x\ (M位某极大数字)\) 下面展示\(x'=\frac{max(x)- 阅读全文
posted @ 2024-10-11 19:40
West11
阅读(54)
评论(0)
推荐(0)
摘要：
数据清理 缺失值处理 常见方法分为三类：数据删除，数据插补，不处理 数据插补：最为常见的是数据插补。 插补方法 取均值/中位数/众数插补 使用固定值（政府等发布的可信数值） 最近邻插补（根据相近数值取平均或者时间序列预测缺失数据） 回归分析（工作量大） 插值法（高端，可以使用） 数据删除：删除即将含 阅读全文
posted @ 2024-10-11 19:38
West11
阅读(41)
评论(0)
推荐(0)
摘要：
遗传算法 [x, fval] = ga(@fitnessfun, nvars, A, b, Aeq, beq, LB, UB, @nonlcon, options) %x和fval为变量的值和目标函数的值 %ga函数内部的参数与非线性规划函数的意义一样，nvars为变量数。 直接搜索 [x, fva 阅读全文
posted @ 2024-10-11 19:36
West11
阅读(35)
评论(0)
推荐(0)
浙公网安备 33010602011771号