主成分分析PCA的matlab实现
2014-12-03 14:01
369 查看
函数princomp实现了对PCA的封装,其常见调用形式为:
[COEFF,SCORE,Latent]=princomp(x);
参数说明:
* x为原始样本组成的n×d的矩阵,其每一行是一个样本的特征向量,每一列表示样本特征向量的一维。
返回值:
*COEFF:主成份分量,即变换空间的那些基向量也是样本协方差矩阵的本征向量。
*SCORE:主成份,x的低维表示,即x中的数据在主成份分量上的投影(可根据需要取前几列),也是《数字图像处理与机器视觉》书描述中的系数。
*latent:一个包含着样本协方差矩阵本征值的向量。
>> x=[1 2;3 3;3 5;5 4;5 6;6 5;8 7;9 8]%样本矩阵,每行一个样本向量
x =
1 2
3 3
3 5
5 4
5 6
6 5
8 7
9 8
>> [COEFF,SCORE,latent]=princomp(x);%主成分分析
>> COEFF%主成分分量(每列为一个变换空间中的基向量)
COEFF =
0.8086 -0.5883
0.5883 0.8086
>> SCORE%主成分,SCORE(:,1)为x的一维表示,SCORE为x在变换空间的二维表示
SCORE =
-4.9995 -0.0728
-2.7939 -0.4407
-1.6173 1.1766
-0.5883 -0.8086
0.5883 0.8086
0.8086 -0.5883
3.6025 -0.1476
4.9995 0.0728
>> latent%x样本协方差矩阵的本征值
latent =
10.6764
0.4664
[COEFF,SCORE,Latent]=princomp(x);
参数说明:
* x为原始样本组成的n×d的矩阵,其每一行是一个样本的特征向量,每一列表示样本特征向量的一维。
返回值:
*COEFF:主成份分量,即变换空间的那些基向量也是样本协方差矩阵的本征向量。
*SCORE:主成份,x的低维表示,即x中的数据在主成份分量上的投影(可根据需要取前几列),也是《数字图像处理与机器视觉》书描述中的系数。
*latent:一个包含着样本协方差矩阵本征值的向量。
>> x=[1 2;3 3;3 5;5 4;5 6;6 5;8 7;9 8]%样本矩阵,每行一个样本向量
x =
1 2
3 3
3 5
5 4
5 6
6 5
8 7
9 8
>> [COEFF,SCORE,latent]=princomp(x);%主成分分析
>> COEFF%主成分分量(每列为一个变换空间中的基向量)
COEFF =
0.8086 -0.5883
0.5883 0.8086
>> SCORE%主成分,SCORE(:,1)为x的一维表示,SCORE为x在变换空间的二维表示
SCORE =
-4.9995 -0.0728
-2.7939 -0.4407
-1.6173 1.1766
-0.5883 -0.8086
0.5883 0.8086
0.8086 -0.5883
3.6025 -0.1476
4.9995 0.0728
>> latent%x样本协方差矩阵的本征值
latent =
10.6764
0.4664
相关文章推荐
- PCA(Principal Component Analysis 主成分分析)原理及MATLAB实现
- PCA (主成分分析)matlab实现
- PCA(主成分)分析及MATLAB实现
- 主成分分析(PCA)原理与故障诊断(SPE、T^2以及结合二者的综合指标)-MATLAB实现
- matlab实现主成分分析 princomp函数
- PCA (主成分分析)详解 (写给初学者) 结合matlab
- 【R/Matlab】PCA(主成分分析)
- PCA (主成分分析)详解 (写给初学者) 结合matlab
- 主成分分析(pca)算法的实现步骤及代码
- PCA (主成分分析)详解 (写给初学者) 结合matlab
- 主成分分析Matlab实现
- PCA (主成分分析)详解 (写给初学者) 结合matlab
- PCA (主成分分析)详解 (写给初学者) 结合matlab
- matlab实现主成分分析 princomp函数
- PCA (主成分分析)详解 (写给初学者) 结合matlab
- 主成分分析(PCA)原理及R语言实现
- [机器学习笔记]主成分分析PCA简介及其python实现
- 主成分分析(PCA)实现代码
- 【机器学习算法实现】主成分分析(PCA)——基于python+numpy
- 主成分分析(PCA)及其在R里的实现