matlab中利用princomp實現(xiàn)PCA降維

在matlab中有函數(shù)princomp可以實現(xiàn)數(shù)據(jù)的降維，本文主要說明該函數(shù)的用法。

PCA的作用：

PCA（主成分分析法），主要用來對數(shù)據(jù)進行降維，比如在機器學(xué)習(xí)中，我們提取了大量的特征，并針對這些特征進行分類，這些特征的維度很高，在利用SVM進行分類的時候會消耗大量的時間，PCA降維是將這些特征映射到另一個空間里面，并且去除數(shù)據(jù)冗余。
假設(shè)有樣本m個。每個樣本提取n維特征，構(gòu)成一個m*n維的矩陣X，降維之后的矩陣為Y， 在降維的過程中需要滿足以下兩個條件：
(a) Y的維度小于X的維度；
(b) Y的各個維度之間的差異越大越好（差異越大，表示數(shù)據(jù)的冗余越小，這也是可以降維的基本條件）；

PCA原理

• 首先衡量X(m*n)中各維特征之間的相關(guān)性，通過計算X中各列之間的協(xié)方差構(gòu)成協(xié)方差矩陣D(n*n)=X'X,其中X'是X的轉(zhuǎn)置，注意這里的X是零均值化之后的X，為了實現(xiàn)數(shù)據(jù)的降維，我們希望數(shù)據(jù)之間的相關(guān)性越小越好，也就是去掉那些相關(guān)性較高的冗余數(shù)據(jù)，換個角度也就是說希望協(xié)方差矩陣D是一個對角陣;
• 現(xiàn)在假設(shè)有一個轉(zhuǎn)換矩陣P,將X映射到另一個空間得到Y(jié),即Y=XP,使得轉(zhuǎn)換之后的Y的協(xié)方差矩陣D1是一個對角陣，即&#

總結(jié)

以上是生活随笔為你收集整理的matlab中利用princomp实现PCA降维的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。