---在MATLAB中進行多變量相關性分析并選取相關性強的變量是一種“屬性約減”方法。這種方法首先對各個變量之間的相關性進行分析，然后選取相關性較強的變量。通常使用皮爾遜(Pearson)相關系數(shù)r來

---

在MATLAB中進行多變量相關性分析并選取相關性強的變量是一種“屬性約減”方法。這種方法首先對各個變量之間的相關性進行分析，然后選取相關性較強的變量。通常使用皮爾遜(Pearson)相關系數(shù)r來衡量變量之間的相關性，絕對值越接近1表示變量X和Y之間的相關性越強。通過對相關性系數(shù)進行排序，可以保留相關性強的變量，同時剔除相關性較差的變量。

---

1. 讀入樣本數(shù)據(jù)

首先，我們需要將樣本數(shù)據(jù)表格讀入MATLAB中并保存為矩陣，以便進行后續(xù)處理。建議將表格數(shù)據(jù)的第一列設置為因變量，其余列作為自變量。下面是一個示例程序：

```matlab

ys_data xlsread('樣本數(shù)據(jù).xlsx');

```

讀入的樣本數(shù)據(jù)可以在MATLAB工作區(qū)中查看，有助于進一步操作。

---

2. 計算數(shù)據(jù)表格矩陣大小

接著，計算讀入的樣本數(shù)據(jù)表格矩陣的大?。ㄐ袛?shù)n x 列數(shù)p），可以使用以下程序：

```matlab

[n, p] size(ys_data);

```

此步驟的計算結(jié)果有助于后續(xù)的處理過程。

---

3. 計算相關性系數(shù)并篩選變量

接下來，將因變量賦值給Y，循環(huán)逐個將自變量賦值給X，并計算Pearson相關系數(shù)。具體程序如下：

```matlab

for i 2:p

Y ys_data(:, 1);

X ys_data(:, i);

xs(1, i-1) i;

xs(2, i-1) corr(X, Y, 'type', 'Pearson');

end

```

這段程序會逐個計算自變量與因變量之間的Pearson相關性，并將結(jié)果保存至xs數(shù)組中的第二行。

---

4. 變量相關性排名

將計算得到的變量間相關性系數(shù)按降序排列，并存儲在n_xs矩陣中，這將成為后續(xù)選擇重要變量的依據(jù)。具體程序如下：

```matlab

[n_xs, id] sort(xs(2,:), 'descend');

```

排序后的結(jié)果存儲在n_xs中，有助于識別相關性較強的變量。

---

5. 保存相關性較強的變量

將相關性系數(shù)按降序排列的id存儲在nid_xs中，代表變量在排序中的位置，隨后保存前10個相關性最強的變量及因變量，形成新的樣本數(shù)據(jù)表。下面是相應程序：

```matlab

nid_xs xs(1,id);

for i 1:10

xyb(:,i 1) ys_data(:, nid_xs(i));

end

xyb(:,1) Y;

```

這樣就得到了包括因變量和與其相關性最強的10個自變量的新樣本數(shù)據(jù)表。

---

6. 寫入新樣本數(shù)據(jù)

最后，將新的樣本數(shù)據(jù)（包括11個變量，其中第一列為因變量，接下來的10列為與因變量相關性最強的自變量）寫入新的數(shù)據(jù)表格。可使用以下程序完成：

```matlab

xlswrite('新樣本數(shù)據(jù).xlsx', xyb);

```

這一步使得經(jīng)過相關性篩選后的樣本數(shù)據(jù)得以保存，方便后續(xù)分析和應用。

---

通過以上步驟，我們完成了MATLAB多變量相關性分析和相關性強變量的篩選。這一過程有助于從復雜的數(shù)據(jù)集中提煉出關鍵變量，為進一步的分析和應用提供基礎支持。