Utilice la función de análisis de componentes principales en Matlab para reducir la dimensionalidad de los datos

La descripción de la función pca en Matlab no es intuitiva. Mucha gente sólo quiere obtener los resultados de la reducción de dimensionalidad de PCA. Sin embargo, según el documento de interpretación oficial, es difícil ver qué parámetros de salida son las características de la reducción de dimensionalidad final. Por lo tanto, este artículo registra cómo utilizar la función pca en Matlab para reducir la dimensionalidad de los datos.

PD. Este artículo no explica el principio de pca en detalle, solo registra cómo usar la función pca en Matlab.

Parámetros de entrada: x es una matriz de muestra n×d, donde n representa el número de muestras yd representa la latitud de la característica.

Parámetros de salida:

(1) el coeficiente es el componente principal, es decir, el vector propio de la matriz de covarianza de la muestra.

(2) La puntuación es el componente principal, que es la proyección de la muestra X en un espacio de baja dimensión, que son los datos de reducción de dimensionalidad que queremos.

Nota: La dimensión de la puntuación es la misma que la dimensión de la muestra original x. Si necesita reducir la dimensión a k dimensiones, simplemente tome las primeras k columnas de la puntuación.

Además, la puntuación también se puede calcular en función del coeficiente. Los pasos específicos son los siguientes:

(1) Calcule el vector medio de la muestra X a lo largo de la latitud de la característica (ya que cada columna de X representa una característica, esto Calcule la media por fila al calcular la media):

(2) Puede obtener la puntuación multiplicando el coeficiente por la X después de descentrar:

Después de ejecutar, puede ver que el resultado de res es muy, muy pequeño, lo que indica que la prueba y la puntuación están muy cerca.

[1] Análisis de principios de PCA y método de implementación de Matlab (3)

[2]MATLAB: análisis de componentes principales de prince MP ()