《表2 因子得分情况：基于因子分析和SVM的网络舆情危机预警研究》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于因子分析和SVM的网络舆情危机预警研究》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

可以很清晰地知道3个公因子和14个原始变量之间的关系和变量间的关系。可得出:X2原创微博发布量、X3转发量、X4评论量、X9原创微博发布量变化率、X10转发量变化率、X11评论量变化率这6个变量距离较近，且在第一个公因子轴上的投影坐标较大，反映的是群众对事件的所思、所想、所说，可以命名为舆情主体因子；X5观点倾向度、X6舆情真实度、X12媒体知名度、X13媒体权威度这4个变量距离较近，且在第二个公因子轴上的投影坐标较大，反映了与事件的相关度，可以命名为舆情客体因子；X1网络搜索量、X7内容直观度、X8搜索变化率、X14媒体参与数这4个变量距离较近，且在第一个公因子轴上的投影坐标较大，反映了媒体对事件的转播，可以命名为舆情载体因子。因此指标体系中的14个指标可以降维成舆情主体因子、舆情客体因子、舆情载体因子就能充分体现原始数据的信息。由公式（3）计算出所选取的10个事件对于3个主因子的得分数据情况如表2: