clc
clear all
%% 导入数据及处理
load('Data_shuxing')
%数据标准化处理
n = size(Data_shuxing,2);
for i = 1:n
SA(:,i) = (Data_shuxing(:,i)-mean(Data_shuxing(:,i)))/std(Data_shuxing(:,i));
end
%% 计算相关系数矩阵的特征值和特征向量
CM = corrcoef(SA); %计算相关系数矩阵
[V, D] = eig(CM); %计算特征值和特征向量
for j = 1:n
DS(j,1) = D(n+1-j,n+1-j); %对特征值按降序进行排序
end
for i = 1:n
DS(i,2) = DS(i,1)/sum(DS(:,1)); %贡献率
DS(i,3) = sum(DS(1:i,1)/sum(DS(:,1))); %累计贡献率
end
%% 选择主成分及对应的特征向量
T = 0.9; %信息保留率
for K = 1:n
if DS(K,3) >= T
Com_num = K;
break
end
end
% 提取主成分对应的特征向量
for j = 1:Com_num
PV(:,j) = V(:,n+1-j);
end
%% 输出结果报告
disp('特征值及其贡献率、累积贡献率')
DS
disp('信息保留率T对应的主成分数')
Com_num
pareto(DS(:,2));%调用 matlab 画排列图
xlabel('Principal Component');
ylabel('Variance Explained(%)');
grid on
% % 输出新的数据
new_data = SA*PV;
save('Data_PCA','new_data') %保存数据
主成分分析---PCA(基于MATLAB)
最新推荐文章于 2023-12-21 21:46:24 发布