投影寻踪方法的优缺点（投影寻踪方法及应用）

想必现在有很多小伙伴对于投影寻踪方法及应用方面的知识都比较想要了解，那么今天小好小编就为大家收集了一些关于投影寻踪方法及应用方面的知识分享给大家，希望大家会喜欢哦。

投影寻踪方法及应用

内容摘要：本文从投影寻踪的研究背景出发，给出了投影寻踪的定义和投影指标，在此基础上得出了投影寻踪聚类模型，随后简单介绍了遗传算法。最后结合上市公司的股价进行实证分析，并给出结论和建议。

关键词：投影寻踪投影寻踪聚类模型遗传算法

版程厂少权归子芝士回答网站或原作者华所有

1、简介

不来得其外原质料次长组据权张号易住。

（一）产生背景

随着科技的发展，高维数据的统计分析越来越普遍，也越来越重要。多元分析方法是解决高维数据这类问题的有力工具。但传统的多元分析方法是建立在总体服从正态分布这个假定基础之上的。不过实际问题中有许多数据不满足正态假定，需要用稳健的或非参数的方法来解决。但是，当数据的维数很高时，即使用后两种方法也面临以下困难:第一个困难是随着维数增加，计算量迅速增大。第二个困难是对于高维数据，即使样本量很大，仍会存在高维空间中分布稀疏的“维数祸根”。对于核估计，近邻估计之类的非参数法很难使用。第三个困难是对低维稳健性好的统计方法，用到高维时则稳健性变差。

他水高理指门阶共风，安节按。

另一方面，传统的数据分析方法的一个共同点是采用“对数据结构或分布特征作某种假定——按照一定准则寻找最优模拟——对建立的模型进行证实”这样一条证实性数据分析思维方法〔简称CDA法）。这种方法的一个弱点是当数据的结构或特征与假定不相符时，模型的拟合和预报的精度均差，尤其对高维非正态、非线性数据分析，很难收到好的效果。其原因是证实性数据分析思维方法过于形式化、数学化，受束缚大。它难以适

本文到此结束，希望对大家有所帮助。