用matlab实现kpca（核主成分分析法）

核主成分分析法是对非线性的高维数据进行降维的一种方法，理论部分这里就不再介绍了，我是在300×12维的数据上进行降维的，代码如下：

data=Untitled;
[Xrow, Xcol] = size(data);    % Xrow：样本个数 Xcol：样本属性个数
%%数据预处理
Xmean = mean(data); % 求原始数据的均值
Xstd = std(data); % 求原始数据的方差
X0 = (data-ones(Xrow,1)*Xmean) ./ (ones(Xrow,1)*Xstd); % 标准阵X0,标准化为均值0，方差1;
c = 20000; %此参数可调
%%求核矩阵
for i = 1 : Xrow
for j = 1 : Xrow
%k(i,j)=kernel(data(i,:),data(j,:),2,6);   
K(i,j) = exp(-(norm(X0(i,:) - X0(j,:)))^2/c);%求核矩阵，采用径向基核函数，参数c
end
end
%%中心化矩阵
unit = (1/Xrow) * ones(Xrow, Xrow);
Kp = K - unit*K - K*unit + unit*K*unit; % 中心化矩阵
%%特征值分解
[eigenvector, eigenvalue] = eig(Kp); % 求协方差矩阵的特征向量（eigenvector）和特征值（eigenvalue）
%单位化特征向量
for m =1 : 300
for n =1 : 300
Normvector(n,m) = eigenvector(n,m)/sum(eigenvector(:,m));
end
end
eigenvalue_vec = real(diag(eigenvalue)); %将特征值矩阵转换为向量
[eigenvalue_sort, index] = sort(eigenvalue_vec, 'descend'); % 特征值按降序排列，eigenvalue_sort是排列后的数组，index是序号
pcIndex = []; % 记录主元所在特征值向量中的序号
pcn = 3;
for k = 1 : pcn % 特征值个数
pcIndex(k) = index(k); % 保存主元序号
end
for i = 1 : pcn
pc_vector(i) = eigenvalue_vec(pcIndex(i)); % 主元向量
P(:, i) = Normvector(:, pcIndex(i)); % 主元所对应的特征向量（负荷向量）
end
project_invectors = k*P;
pc_vector2 = diag(pc_vector); % 构建主元对角阵 
%绘制三维散点图
x=project_invectors(:,1);
y=project_invectors(:,2);
z=project_invectors(:,3);
scatter3(x,y,z,'filled')

因为想实现三维可视化，所以直接取了三个主元。也可以通过求主元贡献率的方法来选取主元个数。最后得到的三维散点图