#全数据集PCA
all_col_mean = colMeans(data.learn.x) #计算训练集每一列的均值
data.learn.PCAx = data.learn.x
cols = ncol(data.learn.x) #获取列数
all_col_sd = apply(data.learn.x,2,sd)
for (j in 1:cols){
data.learn.PCAx[,j] = data.learn.x[,j] - all_col_mean[j]
data.learn.PCAx[,j] = data.learn.PCAx[,j]/all_col_sd[j]
} #对训练集每一列特征值进行标准化
data.learn.cov <- cov(data.learn.PCAx,data.learn.PCAx)#求协方差矩阵
data.learn.svd = svd(data.learn.cov)#SVD分解为 U d V
all_U <- data.learn.svd$u[,1:REDUCTION] #保留REDUCTION维,约一半
lamda = 1/sqrt(data.learn.svd$d) #计算方差倒数
lamda = lamda[1:REDUCTION] #选择前REDUCTION维
for (i in 1:REDUCTION){
all_U[,i] <- all_U[,i] * lamda[i] #ZCA白化
}
data.learn.PCAx = data.learn.PCAx%*%all_U #原特征正交旋转并降维
colnames(data.learn.PCAx) = c("V1","V2","V3","V4")
data.valid.PCAx = data.valid.x
for
R语言主成分分析之SVD
最新推荐文章于 2024-07-20 09:40:11 发布
该博客介绍了如何在R语言中运用Singular Value Decomposition (SVD)进行主成分分析(PCA)。首先,对训练集进行标准化处理,然后计算协方差矩阵,并执行SVD分解。接着,保留部分主成分,进行ZCA白化,最后将测试集同样处理,完成特征的正交旋转和降维。
摘要由CSDN通过智能技术生成