本文详细介绍了MATLAB中的主成分分析（PCA），包括基本原理、MATLAB函数使用、步骤解析以及在综合评价和分类问题中的应用。通过标准化处理、主成分分析计算和选择，实现数据的有效降维和信息提取。
主成分分析基本原理
- 当我们拿到一组数据，例如中学生身高、胸围、体重这三组数据，我们可以拿这三组数据来描述一个中学生的身形。但是很多情况下，这样的数据种类太多而且过于杂乱，无法很好地描述实体。
- 主成分分析的思想就是，在给出数据 X 1 、 X 2 、 X 3 . . . X n X_1、X_2、X_3\quad ... \quad X_n X1、X2、X3...Xn 基础上，创造新的一组数据 Y 1 、 Y 2 、 Y 3 . . . Y n Y_1、Y_2、Y_3\quad ... \quad Y_n Y1、Y2、Y3...Yn 这组新的数据能更好地描述实体。
- Y能更好地描述，主要是因为 Y 中含有更多的信息，通常来说，越靠前的 Y 包含有效信息越多，我们用贡献率描述包含成分的多少。所有 Y 的贡献率为1，一般来说，前一到两个Y就能描述 85% 以上信息。
- Y 是由 X 线性表示出来的，也就是说，从原来每个成分里面按比例线性相加，形成更加能描述实体的值。
MATLAB函数介绍
X1 = zscore(X)
将数据标准化，原始数据由于单位等的不同，会有数值过大和过小的情况，需要将数据进行标准化，然后对标准化的数据进行分析。
[coeff, score, latent] = pca(X)
- 对矩阵X进行主成分分析。
- X 每一列是一个指标 X n X_n Xn，每一行是一个样本。
- coeff 给出主成分变换矩阵，每一列的系数代表这个主成分含有原函数 X X X的系数，即第一列是 Y 1 Y_1 Y1
最低0.47元/天 解锁文章
扫一扫
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
