matlab简单实验之二维数据降维

• 实验目的

1. 通过实验操作进一步掌握主成分分析算法；

2. 掌握协方差矩阵及其计算；

3. 学会 Matlab 进行模式识别算法编写。

• 实验原理

1. 随机生成一组类似于椭圆形 2 维数据（或使用课程资料中的

pcaData.txt 数据）pcaData.txt下载链接提取码：ayfm。

并显示；其数据其实是一个2*45的矩阵。

在二维坐标里显示是近似以个三点椭圆形。

2. PCA 算法实现；计算出特征向量，并在原数据中标出方向；

3. 实现一个 PCA 算法用于降维（将 2 维数据投影到 1 维上）。

• 实验内容

1：输入数据

 

2：求出协方差

3：降维

 

4：

最终整体代码：

clc;clear all;

X=load('pcaData.txt');
x = X(1,:);
y =  X(2,:);
axis equal;

hold on;
[d, n] = size(X);%求出矩阵X的列数n
B= mean(X,2); %B为X的每一行的均值，共俩行，为一个俩行一列的向量
    for j=1:45
X(:,j)=X(:,j)-B;%求出减去均值后的矩阵并赋予新值
    end
S=(1/n).*X*(X'); %S为协方差　
[u,s,v]=svd(S);

% D_r=sum(D);%求出特征值所在列的总和
% D_max=max(D_r); %求出所有列中，最大的特征值
% [L,R]=find(D==D_max); %求出最大特征值在D里的下标，以便找到对应的特征向量。
k=1;
U=u(:,k); %前k个大的特征向量赋予U；
k_U=U'; %转置
plot([0 u(1,1)],[0 u(2,1)],'b'); 
plot([0 u(1,2)],[0 u(2,2)],'b');
Y =(k_U)*X; %Y为降维后的矩阵
cos=U(1,1)/norm(U);
sin=U(2,1)/norm(U);
scatter(X(1,:),X(2,:),'g');
scatter(Y.*cos,Y.*sin);







 

 

• 心得体会

要理解降维的过程和代码的实现，课前要先预习好，把思路理一遍，就可以很好的去做。