PCA降维MATLAB使用案例

已经不是一次使用PCA了，但是这么多参数一眼看去还是不能很快的明白，如果我想对一个二维特征矩阵降维，到底应该怎么做，这里作为备忘记录一下。

• 首先使用MATLAB自带的PCA函数
  [pc,score,latent,tsquare] = pca(feature) %feature是799*216的矩阵

• 用latent来计算降维后取多少维度能够达到自己需要的精度
  cumsum(latent)./sum(latent)
  一般取到高于95%就可以了，这里我们取前40维，精度达到了0.9924

• pca函数已经给出了所有的转换后矩阵表示,也就是输出的score项，取出前40维就是降维后特征
  feature_after_PCA=score(:,1:40)

• 精度分析

Ex	Feature	ACC	SRCC
1	216维	1	0.8552
2	40维	0.9924	0.8494
3	30维	0.9844	0.8577
4*	20维	0.9642	0.8839
5	15维	0.9418	0.8811
6	10维	0.8972	0.7155

可见也不是取得维数越多效果越好，降维不仅能起到加快计算速度的作用，说不定还能去除一些冗余干扰提高拟合效果呢