pca算法的实现

最新推荐文章于 2024-06-18 17:10:50 发布

lskyne

最新推荐文章于 2024-06-18 17:10:50 发布

阅读量6.8k

点赞数

分类专栏： Machine Learning

本文链接：https://blog.csdn.net/lskyne/article/details/8264420

版权

本文介绍了PCA（主成分分析）的处理步骤，包括均值化、求协方差矩阵、计算特征值和特征向量，并分享了一段MATLAB实现PCA的源代码，通过将数据投影到最大k个特征向量上进行降维处理。

摘要由CSDN通过智能技术生成

按照pca的处理步骤，终于用matlab把pca的算法写好了，本来想用C++写的，中间遇到了一个问题：就是在求特征值和特征向量的时候比较麻烦，需要QR迭代算法。自己就投机取巧，matlab里只需要调用一个函数就可以了。想着用matlab把功能实现了先看看效果。

PCA的处理步骤：

1，均值化

2，求协方差矩阵（我知道的有两种方法，这是第一种，按部就班的求，第二种是：（A*A‘/(N-1)））

3，求协方差的特征值和特征向量

4，将特征值按照从大到小的顺序排序，选择其中最大的k个，然后将其对应的k个特征向量分别作为列向量组成特征向量矩阵

5，将样本点投影到选取的特征向量上

matlab实现源代码

%PCA算法，matlab实现
function F=pcad(A,n)%A是M*N
%测试实例A=[2.5,0.5,2.2,1.9,3.1,2.3,2,1,1.5,1.1;2.4,0.7,2.9,2.2,3.0,2.7,1.6,1.1,1.6,0.9]
%结果F=[0.8280，-1.7776，0.9922，0.2742，1.6758，0.9129，-0.0991，-1.1446，-0.4380，-1.2238]
%PCA第一步：均值化
X=A-repmat(mean(A,2),1,size(A,2))%去均值
%PCA第二步：求特征协方差矩阵