Matlab偏最小二乘代码.pdfVIP

Matlab 偏最小二乘 clc,clear load ppz.txt %原始数据存放在纯文本文件pz.txt 中 pz=ppz; mu=mean(pz);sig=std(pz); %求均值和标准差 rr=corrcoef(pz); %求相关系数矩阵 data=zscore(pz); %数据标准化 n=19;m=1; %n 是自变量的个数,m 是因变量的个数 x0=pz(:,1:n);y0=pz(:,n+1:end); e0=data(:,1:n);f0=data(:,n+1:end); num=size(e0,1);%求样本点的个数 chg=eye(n); %w 到w*变换矩阵的初始化 for i=1:n %以下计算w，w*和t 的得分向量， matrix=e0*f0*f0*e0; [vec,val]=eig(matrix); %求特征值和特征向量 val=diag(val); %提出对角线元素 [val,ind]=sort(val,descend); w(:,i)=vec(:,ind(1)); %提出最大特征值对应的特征向量 w_star(:,i)=chg*w(:,i); %计算w*的取值 t(:,i)=e0*w(:,i); %计算成分ti 的得分 alpha=e0*t(:,i)/(t(:,i)*t(:,i)); %计算alpha_i chg=chg*(eye(n)-w(:,i)*alpha); %计算w 到w*的变换矩阵 e=e0-t(:,i)*alpha; %计算残差矩阵 e0=e; %以下计算ss(i)的值 beta=[t(:,1:i),ones(num,1)]\f0; %求回归方程的系数 beta(end,:)=[]; %删除回归分析的常数项 cancha=f0-t(:,1:i)*beta; %求残差矩阵 ss(i)=sum(sum(cancha.^2)); %求误差平方和 %以下计算press(i) for j=1:num t1=t(:,1:i);f1=f0; she_t=t1(j,:);she_f=f1(j,:); %把舍去的第j 个样本点保存起来 t1(j,:)=[];f1(j,:)=[]; %删除第j 个观测值 beta1=[t1,ones(num-1,1)]\f1; %求回归分析的系数 beta1(end,:)=[]; %删除回归分析的常数项 cancha=she_f-she_t*beta1; %求残差向量 press_i(j)=sum(cancha.^2); end press(i)=sum(press_i); if i1 Q_h2(i)=1-press(i)/ss(i-1); else Q_h2(1)=1; end if Q_h2(i)0.0975 fprintf(提出的成分个数r=%d,i); r=i; break end end beta_z=[t(:,1:r),ones(num,1)]\f0; %求Y 关于t 的回归系数 beta_z(end,:)=[]; %删除常数项 xishu=w_star(:,1:r)*beta_z; %求Y 关于X 的回归系数，且是针对标准数据的回归系数， 每一列是一个回归方程 mu_x=mu(1:n);mu_y=mu(n+1:end); sig_x=sig(1:n);sig_y=sig(n+1:end); for i=1:m ch0(i)=mu_y(i)-mu_x./sig_x*sig_y(i)*xishu(:,i); %计算原始数据的回归方程的常数项 end for i=1:m xish(:,i)=xishu(:,i)./sig_x*sig_y(i); %计算原始数据的回归方程的系数，每一列是一 个回归方程 end sol=[ch0;xish] %显示回归方程的系数，每一列是一个方程，每一列的第一个数是常数项 save mydata x0 y0 num xishu ch0 xish yhat=[ones(1,62),x0]*sol; mape=mean(abs((yhat-y0)./y0)); my=mean(y0); SST=sum((y0-my).^2); SSR=sum((yhat-my).^2);%ss for regression SSE=sum((yhat-y0).^2);%ss for error R2=SSR/SST kk=n+1; adjr2=1- (SSE/(num-kk))/(SST/(num-1)) %sol 输出原始变量的系数，r 输出提取的成分个数，mape 输出in sample