1. PCA簡介：

PCA（Principal Component Analysis）主成分分析方法是一種常見的數(shù)據(jù)降維方法。數(shù)據(jù)維度過高可能會使得模型效果不佳。PCA主要原理是將高維原數(shù)據(jù)通過一個(gè)轉(zhuǎn)換矩陣，映射到另一組低維坐標(biāo)系下，從而實(shí)現(xiàn)數(shù)據(jù)降維。

2. matlab中pca（）函數(shù)

coeff = pca(X) coeff = pca(X,Name,Value) [coeff,score,latent] = pca(___) [coeff,score,latent,tsquared] = pca(___) [coeff,score,latent,tsquared,explained,mu] = pca(___)

常用形式：

[coeff,score,latent,tsquared,explained,mu] = pca(___)

常用參數(shù)為coeff，score，latent

• coeff：主成分系數(shù)矩陣，也叫做轉(zhuǎn)換矩陣，是理論中的原數(shù)據(jù)X對應(yīng)的協(xié)方差矩陣的特征向量組成的矩陣
• score：原數(shù)據(jù)利用初始coeff轉(zhuǎn)換后的新數(shù)據(jù)矩陣，但這個(gè)不是我們想要的最終轉(zhuǎn)換數(shù)據(jù)，因?yàn)楹罄m(xù)降維操作會改變coeff
• latent：是理論中的原數(shù)據(jù)X對應(yīng)的協(xié)方差矩陣的特征值，是一個(gè)向量，并且經(jīng)過排序（貢獻(xiàn)越大越靠前）

3. PCA完整使用方法

（1）. 導(dǎo)入實(shí)驗(yàn)數(shù)據(jù)，劃分出訓(xùn)練集train_data和測試集test_data

（2）. 基于訓(xùn)練集用pca（）得到需要參數(shù)

[coeff,score,latent,tsquared,explained,mu] = pca(train_data)

（3）. 計(jì)算主成分累計(jì)貢獻(xiàn)率，運(yùn)行下面的代碼后會出現(xiàn)一個(gè)向量，從小到大，例如輸出為[0.7,0.95,0.98,1]（數(shù)據(jù)特征有四維），0.7就代表取第一主成分貢獻(xiàn)率70%，0.95就代表取第一主成分和第二主成分就已經(jīng)得到累計(jì)貢獻(xiàn)率95%，相當(dāng)于只用兩個(gè)主成分就攬括了原數(shù)據(jù)95%的信息。若只取前兩個(gè)主成分，其他的丟棄，則模型也能夠有著不錯(cuò)的效果，從而將四維數(shù)據(jù)降到了二維。一般要求累計(jì)貢獻(xiàn)率大于等于95%就夠了

cumsum(latent)/sum(latent)%累積貢獻(xiàn)值

（4）. 基于累計(jì)貢獻(xiàn)值確定所降到的維度數(shù)量（設(shè)為p）后，取coeff的前p列作為降維轉(zhuǎn)換矩陣tran_matrix（coeff也是根據(jù)第幾主成分貢獻(xiàn)從大到小排列的）

tran_matrix = coeff(:,1:p)

（5）. 把訓(xùn)練集每列的值減去樣本對應(yīng)列的均值，得到train_data0，再將train_data0與轉(zhuǎn)換矩陣tran_matrix相乘，得到將原始訓(xùn)練集降維后的新訓(xùn)練數(shù)據(jù)集

train_data0 = bsxfun(@minus,train_data,mean(train_data,1)); low_train_data = train_data0 * tran_matrix;

（6）. 將測試集每列的值減去訓(xùn)練集對應(yīng)列的均值，得到test_data0，再將test_data0與轉(zhuǎn)換矩陣tran_matrix相乘，得到將原始測試集降維后的新測試數(shù)據(jù)集

test_data0 = bsxfun(@minus,test,mean(x,1)); low_test_data = test_data0 * tran_matrix;

總結(jié)

以上是生活随笔為你收集整理的Matlab中特征降维主成分分析(PCA)使用方法（整套流程）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(cuò)，歡迎將生活随笔推薦給好友。