函数princomp( )实现了对PCA的封装。
%常见调用形式为:[COEFF,SCORE,latent]=princomp(X);
% X为原始样本组成的n*d的矩阵,其每一行是一个样本特征向量,每一列表示样本特征向量的一维,8*2的样本矩阵,总共8个样本,每个样本2维。
% COEFF:主成分分量,即变换空间中的那些基向量,也是样本协方差矩阵的本征向量。
% SCORE:主成分,X的地维表示,即X中的数据在主成分分量上的投影(可根据需要取前面几列的)。
% latent:一个包含样本协方差矩阵本征值的向量。
% COEFF:主成分分量(每列为一个变换空间中的基向量);
% SCORE:主成分,SCORE(:,1)为X的一维表示,SCORE为X在变换空间的二维表示。
% X样本协方差矩阵的本特值
代码:
X=[1,2;3,3;3,5;5,4;5,6;6,5;8,7;9,8]
[COEFF,SCORE,latent]=princomp(X); %主成分分析
cofeee =
0.8086 -0.5883
0.5883 0.8086
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 =
10.6764
0.4664
%常见调用形式为:[COEFF,SCORE,latent]=princomp(X);
% X为原始样本组成的n*d的矩阵,其每一行是一个样本特征向量,每一列表示样本特征向量的一维,8*2的样本矩阵,总共8个样本,每个样本2维。
% COEFF:主成分分量,即变换空间中的那些基向量,也是样本协方差矩阵的本征向量。
% SCORE:主成分,X的地维表示,即X中的数据在主成分分量上的投影(可根据需要取前面几列的)。
% latent:一个包含样本协方差矩阵本征值的向量。
% COEFF:主成分分量(每列为一个变换空间中的基向量);
% SCORE:主成分,SCORE(:,1)为X的一维表示,SCORE为X在变换空间的二维表示。
% X样本协方差矩阵的本特值
代码:
X=[1,2;3,3;3,5;5,4;5,6;6,5;8,7;9,8]
[COEFF,SCORE,latent]=princomp(X); %主成分分析
cofeee =
0.8086 -0.5883
0.5883 0.8086
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 =
10.6764
0.4664