主成分分析实验报告
主成分分析报告
主成分分析报告第一点：主成分分析的定义与重要性主成分分析（Principal Component Analysis，PCA）是一种统计方法，它通过正交变换将一组可能相关的变量转换为一组线性不相关的变量，这组变量称为主成分。
这种方法在多变量数据分析中至关重要，尤其是在数据的降维和可视化方面。
在实际应用中，数据往往包含多个变量，这些变量可能存在一定的相关性。
这样的数据集很难直接进行分析和理解。
主成分分析通过提取数据中的主要特征，将原始的多维数据转化为少数几个互相独立的主成分，使得我们能够更加清晰地看到数据背后的结构和模式。
主成分分析的重要性体现在以下几个方面：1.降维：在数据集中存在大量变量时，通过PCA可以减少数据的维度，简化模型的复杂性，从而降低计算成本，并提高模型的预测速度。
2.去除相关性：PCA能够帮助我们识别和去除变量间的线性相关性，使得我们分析的是更加纯净的独立信息。
3.数据可视化：通过将多维数据映射到二维或三维空间中，PCA使得数据的可视化成为可能，有助于我们直观地理解数据的结构和模式。
4.特征提取：在机器学习中，PCA可以作为一种特征提取工具，提高模型的性能和泛化能力。
第二点：主成分分析的应用案例主成分分析在各个领域都有广泛的应用，下面列举几个典型的案例：1.图像处理：在图像处理领域，PCA被用于图像压缩和特征提取。
通过将图像转换到主成分空间，可以大幅度减少数据的存储空间，同时保留图像的主要信息。
2.金融市场分析：在金融领域，PCA可以用来分析股票或证券的价格动向，通过识别影响市场变化的主要因素，帮助投资者做出更明智的投资决策。
3.基因数据分析：在生物信息学领域，PCA被用于基因表达数据的分析。
通过识别和解释基因间的相关性，PCA有助于揭示生物过程中的关键基因和分子机制。
4.客户细分：在市场营销中，PCA可以用来分析客户的购买行为和偏好，通过识别不同客户群的主要特征，企业可以更有效地制定市场策略和个性化推荐。
主成分分析
主成分分析法实验报告一、实验名称：主成分分析二、实验目的：利用计算机实现主成分分析，完成综合评价。
三、实验原理：四、实验过程：（一）数据录入：将相关指标数据录入如下表（二）数据标准化：为避免不同量纲引起的大数吃小数问题，我们对相关数据进行标准化，结果如下：表1：标准化后的数据录入表表2：描述统计量表表1是标准化后的相关数据，表2给出了标准化过程中涉及到的均值、标准差等数值。
（三）分析表3：公因子方差表表3给出了该次分析从每个原始变量中提取的信息，表格下的表注表明，该次分析使用主成分分析完成的。
可以看出除百元销售收入实现利税信息损失较大外，主成分几乎包含了各个原始变量至少85%的信息。
表4：相关矩阵表4为各指标因素量化后的相关矩阵。
表5：解释的总方差表由输出结果表5可以看出，前两个主成分y1,y2的方差和占全部方差的的比例为84.7%。
我们就选取y1为第一主成分，y2为第二主成分，且这两个主成分的方差和占全部方差的84.7%，即基本上保留了原来的指标的信息，这样由原来的9个指标转化为2个新指标，起到了降维的作用。
表6：因子载荷矩阵因子载荷矩阵（表6）是主成分和变量间的因子负荷量，即相关系数，代表相关度。
并非主成分的系数；所以我们要通过该成分矩阵计算出主成分的系数，计算结果如表7：表7：主成分系数表7中，a1代表第一主成分与各变量间的因子负荷量，a2代表第二主成分与各变量间的因子负荷量；u1代表y1的系数，u2代表y2的相应系数。
由此可得到两个主成分y1、y2的线性组合。
（四）主成分得分及分类表8：主成分得分为了分析各样品在主成分所反映的经济意义方面的情况，还将标准化后的原始数据代入主成分表达式中计算出各样品的主成分得分，如表8，得到28个省的、直辖市、自治区的主成分的分。
将这28个样品在平面直角坐标系上描出来，进而得到样品分类，如下图所示：由上图可以看出，分布在第一象限的是上海、北京、天津、广西四个省区，这四个省区的经济效益在全国来说属于较好的，上海经济效益最好。
《多元统计实验》主成分分析实验报告二
《多元统计实验》主成分分析实验报告三、实验结果分析6.5人均粮食产量x5,经济作物占农作物播种面积x6,耕地占土地面积比x7,果园与林地面积之比x8,灌溉田占1耕地面积比例x9等五个指标有较强的相关性, 人口密度x1,人均耕地面积x2,森林覆盖率x3,农民人均收入x4相关性也很强，再作主成分分析，求样本相关矩阵的特征值和主成分载荷。
λ11/2=2.158962，λ21/2=1.4455076，λ31/2 =1.0212708，λ41/2 =0.71233588，λ51/2 =0.5614001，λ61/2 =0.43887788，λ71/2 =0.33821497，λ81/2 =0.212900230，λ91/2=0.177406876。
确定主成分分析，前两个主成分的累积方差贡献率为75.01%，前三个主成分的累积方差贡献率为86.59%，按照累积方差贡献率大于80%的原则，主成分的个数取为3，前三个主成分分别为：Z*1=0.3432x*1-0.446x*3+0.376x*5+0.379x*6+0.432x*7+0.446x*9Z*2=0.368x*1-0.614x*2-0.61x*4-0.307x*5-0.1224x*6Z*3=-0.122x*6+0.246x*7-0.950x*8第一主成分在x*7,x*9两个指标上取值为正且载荷较大，可视为反映耕地占比和灌溉田占耕地面积比例的主成分，第二主成分在x*2和x*4这两个指标的取值为负，绝对值载荷最大，不能作为人均耕地和人均收入的主成分。
第三主成分，x*8这个指标取值为负且，载荷绝对值最大，不能反映果园与林地面积之比的主成分。
根据该图结果可以认为选取前两个指标作为主成分分析的选择是正确的。
将八个指标按前两个主成分进行分类：由结果可以得出森林覆盖率为一类，人口密度、果园与林地面积之比、耕地占土地面积比、灌溉田占耕地面积比为一类，经济作物占农作物播种面积比例、人均粮食产量、农民人均收入、人均耕地面积为一类。
主成分分析-实验
主成分分析实验1：数据Employee data.sav中为银行在1969-1971年之间雇员情况的数据，共包括474条观测及如下10各变量：本例中需要用到的变量分别为Educ ,Salary,Salbegin,Jobtime,Orevexp。
下面我们用主成分分析法处理该数据，一起用少数变量来描述该地区居民的雇佣情况。
打开数据Employee data.sav，依次选分析——降维——因子分析点击OK即可，输出为：公因子方差给出了该次分析从每个原始变量中提取的信息，可看出除受教育程度90%的信息。
解释的总方差显示了各主成分解释原始变量总方差的情况，默认保留特征根大于1的主成分，本例保留3个主成分，集中了原始5各变量信息的90.66%，可见效果实际上，主成分解释总方差的百分比也可以由公因子方差表计算得出，即(.754+.896+.916+.999+.968）/5=90.66%,成分矩阵给出了标准化原始变量用求得的主成分线性表示的近似表达式，以current Salary一行为例，用prin1,prin2,prin3来表示个各主成分，得到：标准化的Salary~0.940*prin1+0.104*prin2+(2.857E-02)*prin3.在上面的主成分分析中，SPSS默认是从相关矩阵出发求解主成分，且默认保留特征根大于1的主成分，实际上，对主成分的个数，我们可以自己确定，方法为：选择“抽取——因子的固定数量”可以输入别的数值来改变SPSS软件保留特征根的大小。
另外，还可以直接确定主成分个数。
在实际进行注册号那个分分析时可以先按照默认设置做一次主成分分析，然后根据输出结果确定应保留主成分的个数，用该方法进行设定后重新分析。
由成分矩阵中的结果可以得到：22222E++-+-+==第一主成分的方差。
0.9400.917(6.80602)(0.178)0.846 2.477031又有222++-=E0.9400.104(2.85702)0.896这恰好与公因子方差表中三个主成分提取Salary变量的信息相等，重做一遍主成分，此次将5个主成分全部保留，得到22222++-+-+=E0.9400.104(2.85702)(0.234)0.2221还可得到标准化原始变量用各主成分线性表示的精确的表达式：Salary=0.940*prin1+0.104*prin2+(2.857E-02)*prin3-0.234*prin4+0.222*prin5由默认选项输出的结果，我们还不能得到用原始变量表示出主成分的表达式，要得到这个结果及其他一些有用的结果，就需要对模块中的设置作调整。
主成份分析报告(包含sas程序)
主成分分析实验报告实验内容：表1的数据是广东省各地市经济发展的基本数据，其中X1-城镇人口占常住人口比例（%），X2-固定资产投资（亿元），X3-人均可支配收入（元）,X4-人均消费支出（元）,X5-社会消费品零售总额（亿元）,X6-第三产业占GDP百分比（%），X7-出口总额（亿美元）,X8-人均地区生产总值（元）。
表1 安徽省各地市经济发展的基本数据城市X1X2X3X4X5X6X7X8广州82.532659.8527609.622820.93615.7760.9374.0588424.71189深圳1001709.1529244.521526.12567.9453.21619.7992022.45885珠海87.16410.5122858.617948.4404.4644.8177.8369652.80797汕头69.58291.913650.911659.5661.9639.540.1620282.83847佛山92.361470.5624577.919295.61408.7835245.7880391.16195韶关47.29356.516288.711467.6278.3645 5.7919490.55365河源40.5198.1512137.998054.92139.534.914.1313729.38507梅州46.2162.9813113.310365.7267.9839.3 6.7112528.23307惠州61.27758.972127817913.9491.137.8171.4935615.98569汕尾57289.4312560.218735.73282.0638.29.4813287.30274东莞86.391094.0833044.624269.9959.0751.2551.6759274.23927中山86.34545.6123088.3917414.7549.7639.4177.3662222.89651江门50.08492.0719003.7614262.87562.0734.279.4931915.39277阳江46.72239.4913075.219164.85305.383612.321999.29294湛江38.99393.2313665.210470.1559.9439.913.6516537.29201茂名37.5180.0113160.649764.1591.0543.1 5.3219853.45836肇庆44.89462.771506311030.3275.7843.720.322169.19445清远34.93841.2414314.799851.89303.5631.914.1522513.00645潮州62.1162.9812398.210758.29207.8937.618.718653.62032揭阳45.36393.513169.2410463.1341.4633.625.2514093.4095云浮50.2240.191321111383.48117.9133.7 6.1614128.88059利用主成分分析综合出适当的主成分及相应的主成分得分；利用上面的主成分得分对样品进行聚类分析，并给出适当的结论。
实验六 主成分分析
实验六 主成分分析一、实验目的通过本次实验，掌握SPSS 及ENVI 的主成分分析方法。
二、有关概念1． 主成分分析的概念主成分分析（又称因子分析），是将多个实测变量转换为少数几个不相关的综合指标的多元统计分析方法。
代表各类信息的综合指标就称为因子或主成份。
主成分分析的数学模型可写为：m m x a x a x a x a z 131********++++=m m x a x a x a x a z 23232221212++++=m m x a x a x a x a z 33332321313++++=………m nm n n n n x a x a x a x a z ++++= 332211其中，x 1、x 2、 x 3、 x 4 …x m 为原始变量；z 1、 z 2、 z 3、 z 4 …z n 为主成份，且有m≥n 。
写成矩阵形式为：Z=AX 。
Z 为主成份向量，A 为主成份变换矩阵，X 为原始变量向量。
主成份分析的目的是把系数矩阵A 求出，主成份Z1、Z2、Z3…在总方差中所占比重依次递减。
从理论上讲m=n 即有多少原始变量就有多少主成份，但实际上前面几个主成份集中了大部分方差，因此取主成份数目远远小于原始变量的数目，但信息损失很小。
因子分析的一个重要目的还在于对原始变量进行分门别类的综合评价。
如果因子分析结果保证了因子之间的正交性（不相关）但对因子不易命名，还可以通过对因子模型的旋转变换使公因子负荷系数向更大（向1）或更小（向0）方向变化，使得对公因子的命名和解释变得更加容易。
进行正交变换可以保证变换后各因子仍正交，这是比较理想的情况。
如果经过正交变换后对公因子仍然不易解释，也可进行斜交旋转。
2． 因子提取方法SPSS 提供的因子提取方法有：①Principal components 主成份法。
该方法假设变量是因子的纯线性组合。
这是SPSS最通用的因子提取方法，故因子分析有时又称为主成份分析。
主成分分析实验报告
一、实验目的本次实验旨在通过主成分分析（PCA）方法，对给定的数据集进行降维处理，从而简化数据结构，提高数据可解释性，并分析主成分对原始数据的代表性。
二、实验背景在许多实际问题中，数据集往往包含大量的变量，这些变量之间可能存在高度相关性，导致数据分析困难。
主成分分析（PCA）是一种常用的降维技术，通过提取原始数据中的主要特征，将数据投影到低维空间，从而简化数据结构。
三、实验数据本次实验采用的数据集为某电商平台用户购买行为的调查数据，包含用户年龄、性别、收入、职业、购买商品种类、购买次数等10个变量。
四、实验步骤1. 数据预处理首先，对数据进行标准化处理，消除不同变量之间的量纲影响。
然后，进行缺失值处理，删除含有缺失值的样本。
2. 计算协方差矩阵计算标准化后的数据集的协方差矩阵，以了解变量之间的相关性。
3. 计算特征值和特征向量求解协方差矩阵的特征值和特征向量，特征值表示对应特征向量的方差，特征向量表示数据在对应特征方向上的分布。
4. 选择主成分根据特征值的大小，选择前几个特征值对应特征向量作为主成分，通常选择特征值大于1的主成分。
5. 构建主成分空间将选定的主成分进行线性组合，构建主成分空间。
6. 降维与可视化将原始数据投影到主成分空间，得到降维后的数据，并进行可视化分析。
五、实验结果与分析1. 主成分分析结果根据特征值大小，选取前三个主成分，其累计贡献率达到85%，说明这三个主成分能够较好地反映原始数据的信息。
2. 主成分空间可视化将原始数据投影到主成分空间，绘制散点图，可以看出用户在主成分空间中的分布情况。
3. 主成分解释根据主成分的系数，可以解释主成分所代表的原始数据特征。
例如，第一个主成分可能主要反映了用户的购买次数和购买商品种类，第二个主成分可能反映了用户的年龄和性别，第三个主成分可能反映了用户的收入和职业。
六、实验结论通过本次实验，我们成功运用主成分分析（PCA）方法对数据进行了降维处理，提高了数据可解释性，并揭示了数据在主成分空间中的分布规律。
主成分分析、因子分析实验报告--SPSS
主成分分析、因子分析实验报告--SPSS主成分分析、因子分析实验报告SPSS一、实验目的主成分分析（Principal Component Analysis，PCA）和因子分析（Factor Analysis，FA）是多元统计分析中常用的两种方法，旨在简化数据结构、提取主要信息和解释变量之间的关系。
本次实验的目的是通过使用 SPSS 软件对给定的数据集进行主成分分析和因子分析，深入理解这两种方法的原理和应用，并比较它们的结果和差异。
二、实验原理（一）主成分分析主成分分析是一种通过线性变换将多个相关变量转换为一组较少的不相关综合变量（即主成分）的方法。
这些主成分是原始变量的线性组合，且按照方差递减的顺序排列。
主成分分析的主要目标是在保留尽可能多的数据信息的前提下，减少变量的数量，从而简化数据分析和解释。
（二）因子分析因子分析则是一种探索潜在结构的方法，它假设观测变量是由少数几个不可观测的公共因子和特殊因子线性组合而成。
公共因子解释了变量之间的相关性，而特殊因子则代表了每个变量特有的部分。
因子分析的目的是找出这些公共因子，并估计它们对观测变量的影响程度。
三、实验数据本次实验使用了一份包含多个变量的数据集，这些变量涵盖了不同的领域和特征。
数据集中的变量包括具体变量 1、具体变量 2、具体变量 3等，共X个观测样本。
四、实验步骤（一）主成分分析1、打开 SPSS 软件，导入数据集。
2、选择“分析”＞“降维”＞“主成分分析”。
3、将需要分析的变量选入“变量”框。
4、在“抽取”选项中，选择主成分的提取方法，如基于特征值大于1 或指定提取的主成分个数。
5、点击“确定”，运行主成分分析。
（二）因子分析1、同样在 SPSS 中，选择“分析”＞“降维”＞“因子分析”。
2、选入变量。
3、在“描述”选项中，选择相关统计量，如 KMO 检验和巴特利特球形检验。
4、在“抽取”选项中，选择因子提取方法，如主成分法或主轴因子法。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
项目名称实验4—主成分分析所属课程名称多元统计分析（英）项目类型综合性实验_____________ 实验（实训）日期2012年4 月15日二、实验（实训）容：【项目容】主成分分析。
【方案设计】题目：由原始数据求主成分。
【实验（实训）过程】（步骤、记录、数据、程序等）附后【结论】（结果、分析）附后三、指导教师评语及成绩：评语：成绩：指导教师签名:批阅日期：实验报告4主成分分析（综合性实验）(Prin cipal comp onent an alysis)实验原理：主成分分析利用指标之间的相关性，将多个指标转化为少数几个综合指标，从而达到降维和数据结构简化的目的。
这些综合指标反映了原始指标的绝大部分信息，通常表示为原始指标的某种线性组合，且综合指标间不相关。
利用矩阵代数的知识可求解主成分实验题目：下表中给出了不同国家及地区的男子径赛记录：(t8a6)Country 100m 200m 400m 800m 1500m 5000m 10,000m Marathon(s) (s) (s) (min) (min) (min) (min) (mins) Argentina 10.39 20.81 46.84 1.81 3.7 14.04 29.36 137.72 Australia 10.31 20.06 44.84 1.74 3.57 13.28 27.66 128.3 Austria 10.44 20.81 46.82 1.79 3.6 13.26 27.72 135.9 Belgium 10.34 20.68 45.04 1.73 3.6 13.22 27.45 129.95 Bermuda 10.28 20.58 45.91 1.8 3.75 14.68 30.55 146.62 Brazil 10.22 20.43 45.21 1.73 3.66 13.62 28.62 133.13 Burma 10.64 21.52 48.3 1.8 3.85 14.45 30.28 139.95 Canada 10.17 20.22 45.68 1.76 3.63 13.55 28.09 130.15 Chile 10.34 20.8 46.2 1.79 3.71 13.61 29.3 134.03 China 10.51 21.04 47.3 1.81 3.73 13.9 29.13 133.53 Columbia 10.43 21.05 46.1 1.82 3.74 13.49 27.88 131.35 Cook Islands 12.18 23.2 52.94 2.02 4.24 16.7 35.38 164.7 Costa Rica 10.94 21.9 48.66 1.87 3.84 14.03 28.81 136.58 Czechoslovakia 10.35 20.65 45.64 1.76 3.58 13.42 28.19 134.32 Denmark 10.56 20.52 45.89 1.78 3.61 13.5 28.11 130.78 Dominican Republic 10.14 20.65 46.8 1.82 3.82 14.91 31.45 154.12 Finland 10.43 20.69 45.49 1.74 3.61 13.27 27.52 130.87 France 10.11 20.38 45.28 1.73 3.57 13.34 27.97 132.3 German (D.R.) 10.12 20.33 44.87 1.73 3.56 13.17 27.42 129.92German (F.R.) 10.16 20.37 44.5 1.73 3.53 13.21 27.61 132.23 Great Brit.& N. Ireland 10.11 20.21 44.93 1.7 3.51 13.01 27.51 129.13Greece 10.22 20.71 46.56 1.78 3.64 14.59 28.45 134.6 Guatemala 10.98 21.82 48.4 1.89 3.8 14.16 30.11 139.33 Hungary 10.26 20.62 46.02 1.77 3.62 13.49 28.44 132.58 India 10.6 21.42 45.73 1.76 3.73 13.77 28.81 131.98 Indonesia 10.59 21.49 47.8 1.84 3.92 14.73 30.79 148.83 Ireland 10.61 20.96 46.3 1.79 3.56 13.32 27.81 132.35 Israel 10.71 21 47.8 1.77 3.72 13.66 28.93 137.55 Italy 10.01 19.72 45.26 1.73 3.6 13.23 27.52 131.08 Japan 10.34 20.81 45.86 1.79 3.64 13.41 27.72 128.63 Kenya 10.46 20.66 44.92 1.73 3.55 13.1 27.38 129.75 Korea 10.34 20.89 46.9 1.79 3.77 13.96 29.23 136.25 D.P.R Korea 10.91 21.94 47.3 1.85 3.77 14.13 29.67 130.87 Luxembourg 10.35 20.77 47.4 1.82 3.67 13.64 29.08 141.27 Malaysia 10.4 20.92 46.3 1.82 3.8 14.64 31.01 154.1 Mauritius 11.19 22.45 47.7 1.88 3.83 15.06 31.77 152.23 Mexico 10.42 21.3 46.1 1.8 3.65 13.46 27.95 129.2 Netherlands 10.52 20.95 45.1 1.74 3.62 13.36 27.61 129.02 New Zealand 10.51 20.88 46.1 1.74 3.54 13.21 27.7 128.98 Norway 10.55 21.16 46.71 1.76 3.62 13.34 27.69 131.48 Papua New Guinea 10.96 21.78 47.9 1.9 4.01 14.72 31.36 148.22 Philippines 10.78 21.64 46.24 1.81 3.83 14.74 30.64 145.27 Poland 10.16 20.24 45.36 1.76 3.6 13.29 27.89 131.58 Portugal 10.53 21.17 46.7 1.79 3.62 13.13 27.38 128.65 Rumania 10.41 20.98 45.87 1.76 3.64 13.25 27.67 132.5 Singapore 10.38 21.28 47.4 1.88 3.89 15.11 31.32 157.77 Spain 10.42 20.77 45.98 1.76 3.55 13.31 27.73 131.57 Sweden 10.25 20.61 45.63 1.77 3.61 13.29 27.94 130.63 Switzerland 10.37 20.46 45.78 1.78 3.55 13.22 27.91 131.2 Taipei 10.59 21.29 46.8 1.79 3.77 14.07 30.07 139.27Thailand 10.39 21.09 47.91 1.83 3.84 15.23 32.56 149.9 Turkey 10.71 21.43 47.6 1.79 3.67 13.56 28.58 131.5 USA 9.93 19.75 43.86 1.73 3.53 13.2 27.43 128.22 USSR10.07 20 44.6 1.75 3.59 13.2 27.53 130.55 Western Samoa10.8221.86492.024.2416.2834.71161.83（数据来源：1984年洛杉机奥运会IAAF/AFT 径赛与田赛统计手册） 实验要求： （1） 试用Princomp 过程求主成分；并对结果进行解释； （2） 试用方差累积贡献率和Scree 图确定主成分的个数； （3） 计算各国第一主成分的得分并排名； （4） 试对结果进行解。
实验题目分析报告：（1）试用Princomp 过程求主成分；并对结果进行解释;（2）试用方差累积贡献率和Scree 图确定主成分的个数;PrinlPrin2Prin3 □rin4^rinS 3rin6 3rin7 Prins0.566873 03^22620.127&2B-5^37^4 0.13^5241 A.1R5542 &.336975 0.461525 0.3605S7 -.259116 -.153357 0.656137 -.112640 -.096054 0.355&45 0.243273 -.SG&467 9.6523^11 -.2LB323 3.LS6625 -.052354 -.0&0127 6.360654 &.SL2+35 -.532432 -.4-7339S 0 . S+3&53 -.014652 -.233015 -.036165 0.572015-.133797-.153443-.4^4510-.4-57715 -.157B43 0. 6100110.135291比加舟跖-.2S39/9-.141299a.54bb9/G.3&6773 -.3&6B63 0.1S1752-.133176 219G17 -.176871 -.796795 G. 3-11926 -.433363 0.263,2990.2395120.437328 0.315285 0.39S822 0.1S8164tigenvectorsS M b亡-e f e-b h如上就是主成分分析截图，利用 sas 处理数据后我们可以知道：有8个主成分Eigenvalues of the Correlation MatrixEigenvalue Differenut Proportion Currulative1 5.744527849.82739.327320.877618290+718297159.10979.937S315932114 e.035271760^8199 e.?574斗 B * 124049390.044169110+01559.972950.079S3027G,01191512 e.eiw9.9S29石0.06796515 6.021545620.0085B. 991470・046419530.023S19430.005S0.997280.0028 1.0^0©12:52 Thursday, April 23, 2&12 2 igen^slue从上面的主成分累计贡献率截图和碎石图我们可以分析：选取两个主成分的贡献率就已经达到0.9375.所以我们选取2个主成分个数。