matlab主成分分析综合评价算法,主成分分析(PCA)算法介绍及matlab实现案例

主成分分析经常被用做模型分类时特征的降维，本篇首先介绍PCA的步骤，并根据步骤撰写对应的MATLAB代码，最后指明使用PCA的步骤。

我们在做分类时，希望提取的特征能够最大化将数据分开，如果数据很紧密，模型就比较难将其分开，如果数据比较离散，那么就比较容易分开，换句话说，数据越离散，越容易分开。

那怎么让数据离散呢？离散又用什么指标衡量呢？

统计学的知识告诉我们，数据越离散，方差越大。

因此，PCA的问题就变为：寻找一个坐标轴，使得数据在该坐标轴上面离散度最高。也就是寻找一个基使得所有数据在这个基上面的投影值的方差最大。

那具体怎么做呢？科学家们已经帮我们做好了，如下步骤：

设有m个样本，每个样本有n个特征，组成m行n列的矩阵

1)将每一列特征进行均值化处理，特征归一化，也称为数据中心平移到坐标原点

2)求取协方差矩阵

3)求取协方差矩阵的特征值和特征向量

4)将特征向量按对应特征值大小从上到下按行排列成矩阵，取前K列组成系数矩阵

matlab代码

function [coffMatrix,lowData,eigValSort,explained,meanValue] = myPCA(data)

%data为row行col列矩阵，row为样本数量，col为特征列，每一列代表一个特征

[row , col] = size(data);

% 求出每一列的均值

meanValue = mean(da