Matlab主成分回归（pcr）分析中的常数项答案

【问题标题】：constant term in Matlab principal component regression (pcr) analysisMatlab主成分回归（pcr）分析中的常数项
【发布时间】：2012-07-05 18:21:19
【问题描述】：

真的很好，只是一步看不懂：

我们进行 PCA 和回归，非常清晰：

[PCALoadings,PCAScores,PCAVar] = princomp(X);
betaPCR = regress(y-mean(y), PCAScores(:,1:2));

然后我们调整第一个系数：

betaPCR = PCALoadings(:,1:2)*betaPCR;
betaPCR = [mean(y) - mean(X)*betaPCR; betaPCR];
yfitPCR = [ones(n,1) X]*betaPCR;

为什么常数一个因子需要'mean(y) - mean(X)*betaPCR'？你能给我解释一下吗？

提前致谢！

【问题讨论】：

【解决方案1】：

这实际上是一道数学题，而不是编码题。您的 PCA 提取一组特征并将它们放入一个矩阵中，从而为您提供 PCALoadings 和 PCAScores。取出前两个主成分及其载荷，并将它们放入自己的矩阵中：

W = PCALoadings(:, 1:2)
Z = PCAScores(:, 1:2)

X和Z的关系是X可以近似为：

Z = (X - mean(X)) * W      <=>      X ~ mean(X) + Z * W'                  (1)

直觉是Z捕获了X中的大部分“重要信息”，而矩阵W告诉你如何在两种表示之间进行转换。

现在您可以在Z 上对y 进行回归。首先你必须从y 中减去平均值，这样左右两边的平均值都为零：

y - mean(y) = Z * beta + errors                                           (2)

现在您想使用该回归从@987654336@ 对y 进行预测。将等式（1）代入等式（2），得到

y - mean(y) = (X - mean(X)) * W * beta

            = (X - mean(X)) * beta1

我们在哪里定义了beta1 = W * beta（您在第三行代码中执行此操作）。重新排列：

y = mean(y) - mean(X) * beta1 + X * beta1

  = [ones(n,1) X] * [mean(y) - mean(X) * beta1; beta1]

  = [ones(n,1) X] * betaPCR

如果我们定义它会起作用

betaPCR = [mean(y) - mean(X) * beta1; beta1]

就像你的第四行代码一样。

【讨论】：