主成分分析pca

主成分分析
主要是计算数据的协方差矩阵
通过计算协方差矩阵的特征值，特征向量，得到相应的主要的维度
而协方差矩阵是一个对称阵，得到的特征向量是相互正交。
主成分分析完成了二件事：
（1） 产生的y的坐标是x坐标旋转后的总体的质心处建立变换后的坐标系的中心，因为从每个x中减去了m_x，减去了平均的向量
（2） 产生的y的坐标是x旋转后的形式，因此数据就和特征向量连续起来。

matlab中主成分分析有2个函数，分别是princomp(x), pca。
princomp后期会被删除

~所以主要介绍下pca函数

Principal component analysis of raw datacollapse all in page
Syntax

• 几种用法

coeff = pca(X)
coeff = pca(X,Name,Value)
[coeff,score,latent] = pca(_)
[coeff,score,latent,tsquared] = pca(_)
[coeff,score,latent,tsquared,explained,mu] = pca(_)

[COEFF, SCORE, latent] = princomp(x);
% x is origanl data of matrix

%% 例子
>> x = [1,2;3,3;3,5;5,4;5,6;6,5;8,7;9,8];
>> [COEFF, SCORE, latent] = princomp(x);
>> COEFF %%协方差矩阵为对称方阵。所以为正交向量特征向量
COEFF =
    0.8086   -0.5883
    0.5883    0.8086
>> SCORE %%原向量在特征向量上的映射,e'*(x_i - m), m是均值向量，m是新坐标的质心
SCORE =
   -4.9995   -0.0728
   -2.7939   -0.4407
   -1.6173    1.1766
   -0.5883   -0.8086
    0.5883    0.8086
    0.8086   -0.5883
    3.6025   -0.1476
    4.9995    0.0728
>> latent %% 协方差矩阵的特征值
latent =
   10.6764
    0.4664

%%验证
>> x_cov = cov(x) %%x的协方差矩阵
x_cov =
    7.1429    4.8571
    4.8571    4.0000
>> [x,y] = eig(x_cov) %% x的协方差矩阵的特征向量和特征值，与pca中计算的一致
x =
    0.5883   -0.8086
   -0.8086   -0.5883
y =
    0.4664         0
         0   10.6764
%pca
%% pcacov 分析协方差矩阵的pca成分
% Principal component analysis on covariance matrix
%Syntax
%COEFF = pcacov(V)
%[COEFF,latent] = pcacov(V)
%[COEFF,latent,explained] = pcacov(V)