这个问题在这里已有答案：
我想减少更大的尺寸矩阵，即2000 * 768;一些较低的尺寸，即200 * 768或400 * 400（不固定）;在MatLab中使用主成分分析（PCA） . 我想用它来减少特征尺寸 . 我怎么能轻易做到？并建议我一些教程，以更好地了解PCA .
提前致谢 .
PCA是降低维数的一个非常有用的工具，但是当你准确理解它正在做什么以及你从中得到什么时，它应该被使用 . 对于一个好的介绍click here - 这是一个不错的解释，不太难以遵循 . 还有this article这是一个快速的DIY演练，可以帮助您更好地了解正在发生的事情 .
一旦你知道你得到了什么，PCA is easy in matlab . 只需输入 pca(X) 即可在数据集 X 上执行 .
pca(X)
X
你得到的东西在很大程度上取决于你得到的东西（例如things like normalisation are very important for input data），你可以使用值得了解的额外参数来设置你的主成分分析 . See matlab's guide here .
您正在寻找的降维方面，以尽可能少的组件来最好地表示数据 . 使用 [coeff,score,latent,tsquared,explained] = pca(X) 的 explained 输出，您会得到一个向量，告诉您每个主成分解释了多少数据，这可以很好地指示是否可以减少维数 .
[coeff,score,latent,tsquared,explained] = pca(X)
explained
1 回答
PCA是降低维数的一个非常有用的工具，但是当你准确理解它正在做什么以及你从中得到什么时，它应该被使用 . 对于一个好的介绍click here - 这是一个不错的解释，不太难以遵循 . 还有this article这是一个快速的DIY演练，可以帮助您更好地了解正在发生的事情 .
一旦你知道你得到了什么，PCA is easy in matlab . 只需输入
pca(X)即可在数据集X上执行 .你得到的东西在很大程度上取决于你得到的东西（例如things like normalisation are very important for input data），你可以使用值得了解的额外参数来设置你的主成分分析 . See matlab's guide here .
您正在寻找的降维方面，以尽可能少的组件来最好地表示数据 . 使用
[coeff,score,latent,tsquared,explained] = pca(X)的explained输出，您会得到一个向量，告诉您每个主成分解释了多少数据，这可以很好地指示是否可以减少维数 .